Documentos de Académico
Documentos de Profesional
Documentos de Cultura
LINEAL
Jose Lopez/ Jose Rodrguez
6 de septiembre de 2010
ii
iii
GARANTIA
Los autores de este texto garantizan a los estudiantes y a los profesores que todo el
material es intuitivo, entendible, de complejidad regulada y que saldran bien preparados. Nuestra garanta se debe a que hemos revestido todo el formalismo algebraco
de conceptos geometricos, intuitivos y depurados. Tambien sabemos que para el estudiante es muy difcil asimilar muchos conceptos nuevos al mismo tiempo y por ello
hemos sido cuidadosos en introducir conceptos nuevos poco a poco. Hemos a
nadido
muchos ejemplos y variados ejercicios de rutina y ademas talleres de contenidos a veces
desafiantes. Por todo esto, el estudiante puede confiar en que sale bien preparado si
trabaja el material concienzudamente.
Comenzamos con sistemas de ecuaciones de primer grado. Inmediatamente pasamos
al estudio de matrices y de las operaciones que se pueden hacer con ellas. Paralelamente
uno se pregunta sobre el significado de lo que se hace y la respuesta puede darse en
terminos geometricos con sus sofisticaciones: vectores, lneas, planos, paraleleppedos,
vol
umenes y determinantes, transformaciones lineales, cambio de coordenadas y diagonalizacion.
Jose Daro Lopez Garca.
Jose del Carmen Rodrguez Santamara
Universidad de los Andes
iv
INDICE GENERAL
1. ECUACIONES
1.1. Algoritmo solucionador . . . . . . . . . . .
1.2. Sobre las aplicaciones . . . . . . . . . . . .
1.3. Ecuaciones en forma matricial . . . . . . .
1.4. Sistemas de m ecuaciones con n incognitas
1.5. Ejercicios de repaso . . . . . . . . . . . . .
1.6. Resumen . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
9
11
14
21
29
30
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
31
31
34
39
44
46
51
58
63
68
72
74
76
82
91
98
101
103
.
.
.
.
105
105
106
117
118
INDICE GENERAL
2
4. DEPENDENCIA E INDEPENDENCIA
4.1. Combinaciones lineales . . . . . . . . . .
4.2. Subespacios . . . . . . . . . . . . . . . .
4.3. Bases . . . . . . . . . . . . . . . . . . . .
4.4. Planos y sub-EV . . . . . . . . . . . . .
4.5. Espacios de matrices . . . . . . . . . . .
4.6. Complemento ortogonal . . . . . . . . .
4.7. Ejercicios de repaso . . . . . . . . . . . .
4.8. Resumen . . . . . . . . . . . . . . . . . .
5. TL
5.1.
5.2.
5.3.
5.4.
5.5.
5.6.
5.7.
= TRANSFORMACIONES LINEALES
Definicion de TL . . . . . . . . . . . . . . .
La matriz de una TL . . . . . . . . . . . . .
Composicion de las TL . . . . . . . . . . . .
Multiplicacion de matrices . . . . . . . . . .
Ejercicios de repaso . . . . . . . . . . . . . .
Resumen . . . . . . . . . . . . . . . . . . . .
Gran taller de repaso . . . . . . . . . . . . .
6. DETERMINANTE DE UNA
6.1. TL y determinantes . . . . .
6.2. N
ucleo e imagen de una TL
6.3. Ejercicios de repaso . . . . .
6.4. Resumen . . . . . . . . . . .
7. LA
7.1.
7.2.
7.3.
7.4.
MATRIZ INVERSA
El calculo de la inversa
La descomposicion LU
Ejercicios de repaso . .
Resumen . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
TL
. . .
. . .
. . .
. . .
.
.
.
.
.
.
.
.
8. CAMBIO DE COORDENADAS
8.1. Bases arbitrarias . . . . . . . .
8.2. Rotaciones en R2 . . . . . . . .
8.3. N
umeros que rotan . . . . . . .
8.4. Bases ortonormales . . . . . . .
8.5. La matriz transpuesta . . . . .
8.6. Aplicaciones . . . . . . . . . . .
8.7. Ejercicios de repaso . . . . . . .
8.8. Resumen . . . . . . . . . . . . .
9. TL
9.1.
9.2.
9.3.
9.4.
9.5.
LINEAL
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
EN CUALQUIER PAR
Fundamento . . . . . . . .
Reflexiones en el plano . .
El papel de las bases . . .
Ejercicios de repaso . . . .
Resumen . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
119
119
126
128
133
137
138
139
141
.
.
.
.
.
.
.
143
143
148
150
153
158
159
160
.
.
.
.
169
169
178
185
186
.
.
.
.
187
188
197
204
205
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
207
207
213
215
218
223
227
233
235
DE BASES
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
237
237
240
241
247
249
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
tsname
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
251
251
253
262
265
266
266
11.DIAGONALIZACION
11.1. Matrices diagonales . .
11.2. Magnificaciones . . . . .
11.3. El eigen-problema . . . .
11.4. Diagramas conmutativos
11.5. Uso del determinante . .
11.6. Matrices simetricas . . .
11.7. Reconociendo las conicas
11.8. Ejercicios de repaso . . .
11.9. Resumen . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
267
268
270
272
274
275
281
283
287
287
12.APLICACIONES
12.1. Ajuste de patrones . . . . .
12.2. Cuadricas . . . . . . . . . .
12.3. Ejes principales . . . . . . .
12.4. Maximos y mnimos . . . .
12.5. Sistemas dinamicos lineales .
12.6. Ejercicios de repaso . . . . .
12.7. Resumen . . . . . . . . . . .
12.8. Gran taller de repaso . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
289
289
293
300
304
308
312
312
313
13.Respuestas
.
.
.
.
.
.
.
.
.
315
INDICE GENERAL
CAPITULO
1
ECUACIONES
La validez de las cosas que uno dice depende del contexto dentro del cual se
este hablando. Nosotros fijamos el contexto especificando el conjunto universal a partir
del cual se construye lo que se necesite. Nuestro conjunto universal esta formado por
los n
umeros reales, a menos que se especifique lo contrario.
Nuestro objetivo es aprender a resolver un tipo especial de sistemas de ecuaciones,
los llamados lineales y que definiremos despues. Por ahora, veamos algunos conceptos.
1. Definiciones. Una ecuaci
on es una igualdad en la cual hay una o varias
inc
ognitas o variables que se denotar
an por letras x, y, z, ... o letras con subndices como
x1 , x2 , ..., y que toman valores en el conjunto universal. Dado un conjunto universal,
una identidad es una ecuaci
on que siempre es verdadera, es decir, es valida para todos
los elementos del conjunto universal. Por ejemplo:
3x + 1 = 2, donde x toma valores en el conjunto de los reales, es una ecuaci
on.
3x = 2x + x es una identidad sobre cualquier conjunto que admita suma.
5 = 4 + 1 es una identidad pues tenemos tanto a la derecha como a la izquierda del
igual dos smbolos que representan el mismo objeto.
Una soluci
on de una ecuaci
on con una variable es un n
umero que al ser reemplazado en la ecuaci
on en el lugar de la variable convierte la ecuaci
on en una identidad. Una
solucion de 3x + 1 = 4 es x = 1 porque al reemplazar 1 en lugar de x en la ecuaci
on,
esta se convierte en 3(1) + 1 = 4 que es la identidad 4 = 4. El conjunto solucion de una
identidad es todo el conjunto universal. Para verlo, tomemos la identidad 5 = 4 + 1. Si
reescribimos dicha identidad como 5 + x = 4 + 1 + x, nos damos cuenta de que es una
ecuaci
on que es valida para cualquier n
umero real, por lo que su conjunto solucion es
el conjunto de los n
umeros reales.
Un sistema de ecuaciones es un conjunto de ecuaciones cuyas inc
ognitas toman
valores en el mismo conjunto de n
umeros, por ejemplo y haciendo referencia a los
n
umeros reales, el siguiente es un sistema de ecuaciones:
3x + 4y = 7
3x + 4y = 7
o simplemente
4x + 3y = 7
4x + 3y = 7
5
CAPITULO 1. ECUACIONES
3+4 = 7
4+3 = 7
Ejemplo
El sistema
3x2 + 4y = 7
3xy = 7
Ejemplo
7
3x + 4y = 7
4x + 3y = 7
y el sistema
x=1
y=1
son equivalentes es lo mismo que decir que el primer sistema tiene una solucion y
que esta es u
nica. Esto es cierto debido a que, como lo veremos en el captulo 2, cada
ecuacion del primer sistema corresponde a una lnea recta que no es paralela a la de
la otra ecuacion. Como dos lneas que no son paralelas se cortan en un u
nico punto,
dicho punto es la solucion y es u
nica.
En general, el sistema que indique la solucion tiene que ser por pura logica equivalente al sistema original.
5. Definici
on. Decimos que un procedimiento para transformar un sistema de
ecuaciones en otro es conservativo si transforma un sistema de ecuaciones cualquiera
en otro equivalente.
Todo procedimiento que aspire a ser conservativo debe cumplir el requisito, ley o
regla del balance: puesto que una ecuacion representa una balanza bien equilibrada;
cuando se haga una operacion en un lado de una ecuacion debe hacerse lo mismo en el
otro lado de la misma ecuacion. Por ejemplo, si multiplicamos un lado de la ecuacion
3x = 1 por 1/3, el otro lado tambien debe multiplicarse por 1/3 y nos queda x = 1/3.
Sin embargo, hay que tener cuidado:
6. Contraejemplos Hay procedimientos que hacen lo mismo a cada lado de la
ecuacion pero no son conservativos porque cambian el conjunto solucion:
a) Un procedimiento no conservativo se ilustra partiendo de la identidad
2+3
1
=1=
5
1
Esta identidad tiene como conjunto solucion al conjunto de los n
umeros reales.
Sumamos ahora 1 en los numeradores a cada lado de la ecuacion y obtenemos
2+3+1
1+1
=
5
1
2
6
= =2
5
1
lo cual es una contradiccion, cuyo conjunto solucion es el vaco. Es por ello que
si hacemos la misma operacion sobre cada lado de una ecuacion, cada lado debe
tomarse de forma indivisible, como un todo. Un sistema que contenga una contradiccion se denomina inconsistente.
CAPITULO 1. ECUACIONES
Ejemplo
Resolvamos la ecuaci
on ax + b = c, donde suponemos que a 6= 0.
11. Advertencias. Hay sistemas que tienen varias soluciones y hay otros que no
tienen solucion.
Por ejemplo, el sistema
x + 4y + 3z = 7
x + 3y + 4z = 7
x=1
x=2
Estas dos advertencias permiten ver que cuando se hable de unicidad de una solucion, se debe demostrar. La estructura tpica de una demostracion de unicidad puede
verse en el teorema siguiente:
12. Teorema. La ecuaci
on ax + b = c tiene una solucion y esa solucion es u
nica
para a, b, c n
umeros reales y a 6= 0.
Demostraci
on. Ya sabemos que hay al menos una solucion: s = (c b)/a, lo cual puede
verificarse por sustitucion. Supongamos ahora que existen dos soluciones s y z. Esto
significa que as + b = c y que az + b = c. Restar lado a lado la segunda ecuacion de la
primera es un procedimiento conservativo pues es invertible y da as+b(az +b) = cc
que se puede simplificar en a(s z) = 0. Ahora bien, si a 6= 0, podemos multiplicar
por su inverso multiplicativo a ambos lados, lo cual es un procedimiento invertible y
por lo tanto conservativo, y nos queda s z = 0. Sumando z en ambos lados, lo cual
es conservativo por ser invertible, queda: z = s. Es decir, si hay dos soluciones y estas
son iguales: la solucion es u
nica.
Enseguida vamos a aprender a utilizar un procedimiento que produce soluciones de
sistemas de ecuaciones, lo cual es algo que uno puede verificar, digamos, por sustitucion.
Pero por ahora no podremos probar que nuestro procedimiento nos permite hallar todas
las soluciones.
1.1.
Algoritmo solucionador
CAPITULO 1. ECUACIONES
10
ecuacion en una sola variable, despejarla y despues reemplazar para sacar el valor de
la otra variable.
El metodo anterior puede generalizarse a sistemas con tres incognitas y con mucho
trabajo uno podra tratar de usar el mismo metodo para sistemas con cuatro variables.
Los problemas realistas involucran muchas variables. Eso querra decir que con el metodo de igualar variables despejadas estos problemas seran irresolubles en la practica.
Para salir del embrollo, debemos desarrollar un metodo que permita solucionar con
igual seguridad tanto sistemas con 2 incognitas como con un millon. Por supuesto que
no estamos pensando en resolver nosotros tales sistemas, sino en saber como programar
un computador para que el lo haga. Vamos a aprender a combinar ecuaciones de un
sistema lineal multiplicando por n
umeros no nulos y sumando o restando para resolver
sistemas de ecuaciones. Pero antes, vale la pena que nos preguntemos: tiene eso alg
un
peligro?
Por supuesto que podemos sumar o restar ecuaciones lado a lado y el resultado es una ecuacion. Igualmente, dos ecuaciones pueden multiplicarse separadamente
por n
umeros distintos no nulos y despues sumarse o restarse y el resultado sera una
ecuacion. Pero, el procedimiento sera conservativo? Veamos que eso no es siempre
cierto. El ejemplo es tomar x = 1, cuya solucion es 1, y restarla de s misma. El resultado es 0 = 0, cuya solucion es todo R. Eso implica que eso de sumar o restar ecuaciones
no garantiza de por s que uno no cambie el conjunto solucion. As que mas nos vale
que procedamos con cautela. Todo lo que hay que hacer es asegurarse de no perder
informacion: podemos restar una ecuacion de s misma, pero no podemos olvidar la
ecuacion que origino todo. As, por ejemplo, es correcto decir que el sistema de una
sola ecuacion x = 1 es equivalente al sistema conformado por las dos ecuaciones x = 1
y 0 = 0, cuya solucion es x = 1. La idea entonces es combinar las ecuaciones de tal
manera que no se pierda informacion pero sin aumentar el n
umero de ecuaciones. El
siguiente ejemplo ilustra el procedimiento.
13.
Ejemplo
Resolvamos el sistema
3x + 4y = 7
4x + 3y = 7
12x + 16y = 28
12x + 9y = 21
11
Ahora las restamos. Es decir, producimos un nuevo sistema que sea equivalente al
original, pero que nos permita despejar la y. Para ello, restamos la segunda ecuacion
de la primera y el resultado lo ponemos en lugar de la segunda ecuacion:
12x + 16y = 28
16y 9y = 28 21
que se simplifica en
12x + 16y = 28
7y = 7
Multiplicamos la primera ecuacion por 1/4 y la segunda por 1/7 en ambos lados y
nos produce
3x + 4y = 7
y=1
Reemplazamos la solucion y = 1 en la primera ecuacion, 3x + 4y = 7 y nos queda
3x+4 = 7 que inmediatamente da x = 1. Ahora bien, podemos verificar por sustitucion
directa que x = 1 y y = 1 en realidad forman una solucion al sistema. Pero, nos
faltaran soluciones? No, no nos faltan soluciones pues hemos utilizado procedimientos
conservativos, invertibles, tanto para manipular cada ecuacion como para tratar con
todo el sistema, no perdiendo informacion. En este momento no tenemos la intencion
de ser muy rigurosos en justificar el aspecto conservativo de nuestros procedimientos,
pues en el captulo de la inversa podremos estudiar el asunto con comodidad y eficacia.
14. Ejercicio Resolver el sistema
1.2.
3x + 6y = 9
4x + 7y = 11
Los sistemas de ecuaciones lineales salen naturalmente de la vida real. Traducir dichos problemas en ecuaciones no siempre es una tarea sencilla. Sin embargo, en algunos
casos esto puede lograrse aplicando la siguiente regla y si la regla no es suficiente, en
todos los casos esta regla evitara errores crasos.
CAPITULO 1. ECUACIONES
12
15. Regla de oro:
13
CAPITULO 1. ECUACIONES
14
17. Ejercicio Hallar al menos una solucion de cada uno de los siguientes sistemas:
a)
2x 5y = 3
7x 4y = 3
b)
2x 8y = 4
4x 5y = 11
c)
3x 2y = 5
2x + 3y = 12
18. Ejercicio Deseamos producir dos tipos de jabones, uno industrial y el otro para
manos. Ambos contienen desengrasante y suavizante pero varan en sus proporciones.
El tipo industrial necesita 120 gramos de desengrasante y 30 gramos de suavizante
mientras que el de manos requiere 40 gramos de desengrasante y 30 de suavizante. Si
se tiene en la bodega 160 kilos de desengrasante y 60 de suavizante, cu
antos jabones
de cada uno se logra hacer?
1.3.
15
19. Matrices. Si convenimos en que las x van siempre en el primer lugar, y las y
siempre van en el segundo lugar, y si cada variable va siempre en su lugar, entonces
no hay necesidad de escribirlas. Simplemente se sobreentienden. Con esa convencion
el sistema
3x + 4y = 7
4x + 3y = 7
se reescribe en forma de arreglo de n
umeros
!
.
3 4 .. 7
.
4 3 .. 7
A estos arreglos se les llama as: todo el conjunto se llama matriz aumentada,
la parte izquierda que tiene dos columnas se denomina matriz y la parte derecha con
una u
nica columna vector independiente. La matriz corresponde a los n
umeros que
acompa
nan a las incognitas, y el vector independiente es el que queda al lado derecho
del sistema de ecuaciones y que no tienen variables.
Denominamos entrada a un lugar especfico de la matriz, por ejemplo, la entrada
(2, 1) representa el coeficiente que en la segunda ecuacion acompa
na a la x o primera
variable y que, en este caso, vale 4.
Solucionemos este sistema pero usando la nueva reescritura matricial. Las reglas
para encontrar soluciones a un sistema en forma matricial son: Primera, como
dos ecuaciones pueden intercambiarse de lugar, entonces dos renglones en su expresion
matricial tambien. Segunda, una fila o renglon de una matriz puede multiplicarse, en
todos lados, en todas las entradas, por cualquier n
umero diferente de cero. Tercera, dos
filas o renglones pueden sumarse o restarse columna por columna (es decir, las x con
las x, las y con las y, etc.) Las dos u
ltimas reglas en la practica se utilizan al tiempo,
como en la regla siguiente.
20. Regla aniquiladora. Dos filas o renglones de una matriz pueden multiplicarse
por separado en toda entrada por n
umeros distintos y despues restarse o sumarse con
el objetivo de aniquilar una variable, es decir, con el fin de convertir el coeficiente
respectivo en cero.
Apliquemos la regla aniquiladora para empezar a solucionar el sistema dado en
su nueva reescritura matricial: en la segunda fila o renglon escribimos el resultado de
multiplicar la primera ecuacion por 4 menos la segunda fila por 3:
!
..
3
4
.
7
.
4R1 3R2
4(3) 3(4) 4(4) 3(3) .. 4(7) 3(7)
CAPITULO 1. ECUACIONES
16
La segunda ecuacion dice 7y = 7. Por supuesto que debemos dividir por 7 para
despejar y; esto correspone a:
(1/7)R2
!
.
3 4 .. 7
.
0 1 .. 1
!
.
3 0 4 4 .. 7 4
..
0
1
.
1
Simplificamos:
!
..
3 0 . 3
.
0 1 .. 1
Despejamos la x:
(1/3)R1
!
.
1 0 .. 1
.
0 1 .. 1
lo cual dice que ya pudimos despejar x = 1, y = 1. Esta matriz que queda en el lado
izquierdo de este arreglo matricial, y que es cuadrada y tiene unos en la diagonal pero
ceros en el resto del mundo se llama la matriz identidad y se nota I aunque a veces se
le agrega un subndice para indicar su tama
no.
Precauci
on: todos nuestros procedimientos han sido conservativos, invertibles, pero
no por azar sino porque hemos sido cuidadosos conservando toda la informacion. No
hubiese sido as si tomaramos, por ejemplo, el triple del primer renglon y lo hubiesemos
puesto en el segundo. En general, cada nueva matriz debe tener:
21. Conclusi
on y definici
on. Resolver un sistema de ecuaciones escrito en forma matricial equivale a combinar apropiadamente los renglones de la matriz, multiplicandolos por n
umeros diferentes de cero y sumando o restando para recuperar, si es
posible, la matriz identidad en el lado izquierdo del arreglo matricial. Esta forma de
combinar renglones, multiplicando por n
umeros, sumando y restando, se llama combinacion lineal.
En efecto, que es solucionar un sistema, por ejemplo, con 3 incognitas, x, y, z? Es
encontrar los valores de dichas incognitas que satisfagan el sistema, digamos x = 2,
y = 1, z = 4. Si escribimos esta solucion en forma matricial tenemos:
17
..
1 0 0 .
2
0 1 0 ... 1
..
0 0 1 .
4
Podemos ver que la matriz identidad esta en el lado izquierdo de este arreglo. Este
metodo de solucionar ecuaciones se denomina eliminaci
on Gauss-Jordan. Pero
para no difamar tacitamente a esos dos grandes hombres, mas nos vale darnos cuenta
de que hemos utilizado la siguiente restriccion: en el renglon i de cada nueva matriz,
siempre ponemos una combinacion lineal que involucre el renglon i de la vieja matriz.
Por ejemplo, en la fila uno de la nueva matriz ponemos 3 veces la primera mas 4 veces la
quinta. Pero no ponemos en la fila uno de la nueva matriz tres veces la tercera menos 4
veces la sexta. Hacemos esto para asegurar que nuestros algoritmos sean conservativos
e invertibles.
22.
Ejemplo
que es igual a
!
.
2 3 .. 4
.
0 3 .. 6
Si a este arreglo le aplicamos el segundo procedimiento, obtenemos
!
..
2
3
.
4
..
(5/2)(2) 0 (5/2)(3) (1/2)(3) . (5/2)(4) (1/2)(6)
que es exactamente el arreglo original. Es decir, podemos recuperar la informacion
inicial y por ende toda la informacion se ha conservado.
CAPITULO 1. ECUACIONES
18
x=5
y=2
x=4
Vemos que este sistema es inconsistente. Que pasa cuando lo estudiamos matricialmente? A este sistema se le puede representar por una matriz 3 2, con 3 renglones
y dos columnas, la cual puede transformarse en una matriz que contiene tanto la identidad 2 2 como una contradiccion (ejercicio).
En resumen, se llega a la identidad cuando la solucion existe y es u
nica, de lo
contrario o no se llega o se llega pero con una contradiccion. Por ahora aceptamos esto
como un resultado emprico, pero conservamos el desafo de probarlo.
24. Ejercicio Resolver todos los incisos del ejercicio 17 por medio de matrices.
25.
.
1 0 1 ..
0
0 1 1 ...
0
..
2 0
1 . 1
Primero ponemos ceros por fuera de la diagonal en la columna uno. Solo queda
recuperar un cero en la tercera fila:
..
1 0 1 .
0
.
0 1 1 ..
0
..
R3 + 2R1
0 0 1 . 1
19
..
1 0 1 . 0
0 1 1 ... 0
..
R3
0 0
1 . 1
..
1
0
0
.
1
R1 + R3
..
R2 + R3
.
1
0
1
0
..
0 0 1 . 1
.
2 2 1 .. 5
..
0
3
2
.
0
..
2
1
1 .
3
Procedemos:
..
2
1 3 . 5
.
0
0
3 2 ..
..
R3 + R1
0 1
0 . 2
R1 + R2
La tercera ecuacion dice que y = 2. Ya no volvemos a tocar esa ecuacion y despejamos x y z de las otras ecuaciones:
..
2
1 3 . 5
R2 + 3R3 0
0 2 .. 6
..
0 1
0 . 2
..
2 1 3 . 5
..
0 0
1
.
3
R2/2
..
R3
2
0 1
0 .
CAPITULO 1. ECUACIONES
20
R1 R2 + 3R3
(1/2)R1
..
2 0 0 . 5 2 + 9 = 2
0 0 1 ..
3
..
0 1 0 .
2
..
1 0 0 . 1
.
0 0 1 .. 3
..
0 1 0 . 2
27. Ejercicio Primero verifique que todos los siguientes sistemas de ecuaciones escritos en forma matricial tienen la misma solucion x = y = z = 1, lo cual ha sido
dise
nado as para que la aritmetica resulte sencilla. Despues de verificar la solucion,
resolver todos esos sistemas por Gauss-Jordan.
.
1 0 1 .. 2
..
a)
.
2
0
1
1
..
1 1 0 . 2
.
2 0 1 .. 3
..
b)
0
3
1
.
4
..
1 4 0 . 5
..
3 0 2 . 5
c) 0 4 2 ... 6
..
2 5 0 . 7
..
3 0 2 . 5
d) 2 4 7 ... 13
..
2 0 5 . 7
.
3 2 2 .. 3
..
e)
.
13
2
4
7
..
2 4 5 . 3
28. Ejercicio Descubra el secreto para lograr que todos los sistemas contengan la
misma solucion (1, 1, 1).
1.4. SISTEMAS DE M ECUACIONES CON N INCOGNITAS
21
1.4.
Raramente resolveremos en este texto un sistema con mas de tres incognitas, pero
es importante tener en cuenta que en las aplicaciones se pueden encontrar sistemas con
muchas incognitas, digamos 10, 20 o 50. Un ejemplo muy claro que promete sistemas
1
CAPITULO 1. ECUACIONES
22
con millones de ecuaciones es el siguiente: teniendo en cuenta que una ecuacion puede
interpretarse como una ley de conservacion, consideremos una red electrica que alimenta
una region, o un pas o una interconeccion electrica para todo un continente. Para cada
nodo, la corriente que entra es igual a la corriente que sale. Es decir, por cada nodo
hay una ecuacion. El problema consiste en hacer que en cada tomacorriente de cada
casa o fabrica haya suficiente corriente para alimentar un motor o un televisor.
Por eso, vale la pena preocuparse por desarrollar metodos que sean al mismo tiempo eficientes e informativos. Y tambien es necesario pensar si no estaremos causando
errores de aproximacion que se encadenan unos con otros y que a la larga producen
errores no despreciables. Este u
ltimo problema se estudia en los cursos de analisis
numerico. Nosotros ya hemos visto una variante del algoritmo de Gauss-Jordan, con
el cual se puede resolver cualquier sistema, pero como ese metodo es de uso corriente
para programar computadores, es importante ver una formulacion muy precisa. Por
eso, esta seccion esta dedicada a su formalizacion.
32. Definiciones. Sea M una matriz aumentada que codifica un sistema de
ecuaciones de tal forma que cada ecuaci
on del sistema corresponde a un rengl
on de la
matriz. Las siguientes son operaciones elementales entre renglones de M :
1) Intercambiar dos renglones o filas cualesquiera.
2) Multiplicar un rengl
on cualquiera por un escalar no nulo.
3) Reemplazar un rengl
on cualquiera por la suma del mismo rengl
on con otro
rengl
on.
En la pr
actica, combinamos las reglas 2 y 3 en una sola: reemplazar un rengl
on
cualquiera por la suma de un m
ultiplo escalar no nulo del mismo rengl
on con otro
m
ultiplo escalar de otro rengl
on.
33. Ejercicio Demuestre que toda operaci
on elemental es invertible y que por lo
tanto produce un procedimiento conservativo.
Decir que las operaciones elementales no alteran las soluciones y que las operaciones
elementales son suficientes para resolver sistemas lineales es lo mismo que decir lo
siguiente:
34. Teorema. Dos sistemas son equivalentes si y s
olo si la matriz aumentada que
representa a un sistema se puede obtener de la matriz aumentada que representa el
otro sistema mediante operaciones elementales por renglones.
35.
Ejemplo
Primer sistema
xy = 1
2x + y = 2
x=1
y=0
Segundo sistema
1.4. SISTEMAS DE M ECUACIONES CON N INCOGNITAS
23
En efecto, la matriz aumentada del primer sistema puede transformarse con operaciones elementales en la matriz aumentada del segundo sistema:
1
2
!
.
1 .. 1
.
1 .. 2
!
.
1 1 .. 1
.
0
3 .. 0
R2 2R1
1
0
R2/3
R1 + R2
!
.
1 .. 1
.
1 .. 0
!
.
1 0 .. 1
.
0 1 .. 0
Lo que deseamos es, por supuesto, encadenar operaciones elementales para llegar
a una solucion del sistema. Si la solucion es u
nica, llegaremos a la identidad. Pero,
que pasa cuando no hay solucion o si no existe solucion? La respuesta es que no
llegamos a la identidad, pero a donde llegamos? Hay varios estilos de terminar los
problemas, pero nosotros fijaremos la atencion en un metodo sencillo y eficaz, el cual
esta basado en las matrices escalonadas que son aquellas cuyos ceros forman una escalera por debajo de la diagonal y que debe llegar, por lo menos, hasta inmediatamente
abajo de la diagonal.
36. Definici
on. Una matriz, aumentada o no, M , se dice que est
a en forma
escalonada si:
1) Los renglones compuestos u
nicamente por ceros est
an en la parte inferior de la
matriz.
2) El n
umero de ceros antes del primer elemento diferente de cero de un rengl
on es
mayor que el del rengl
on inmediatamente superior.
37. Ejemplo La siguiente matriz no es escalonada porque se incumple la condici
on
2) pues el n
umero de ceros antes del primer elemento diferente de cero del rengl
on tres
es igual al del rengl
on dos.
..
2 0 0 . 1
0 1 1 ... 3
..
0 1 1 . 2
CAPITULO 1. ECUACIONES
24
.
2 0 0 .. 1
0 1 1 ... 3
..
R2 R1
0 0 0 . 1
En general, una matriz escalonada nos dice si hay o no hay solucion, y si la solucion
es u
nica o no. Podemos sacar mas informacion con un poco de trabajo adicional.
38. Definici
on. Una matriz, aumentada o no, M, se dice que est
a en forma
escalonada reducida si
1) Esta en forma escalonada.
2) El primer elemento diferente de cero en un rengl
on es el 1.
3) En la columna correspondiente al primer elemento no nulo de un rengl
on hay
solo un elemento diferente de cero, a saber, el mismo.
39. Ejemplo De las siguientes tres matrices, la primera no es escalonada reducida pues no es escalonada, la segunda tampoco es escalonada reducida pues el primer
elemento diferente de cero en el segundo rengl
on no es 1, pero la tercera matriz s es
escalonada reducida:
.
..
1 0 0 .. 1
1 0 8 . 1
0 1 5 ... 3 0 2 0 ... 3
.
..
0 0 1 .. 2
0 1 2 . 2
..
1 0 8 . 1
0 1 5 ... 3
..
0 0 0 . 0
Observemos que la u
ltima matriz nos dice que tenemos un sistema con 2 ecuaciones
y 3 incognitas. Esto implica que nos queda una incognita libre a la cual se le puede dar
cualquier valor para que nos quede un sistema de 2 incognitas con 2 ecuaciones con
solucion u
nica (pues nos queda la identidad 2 2). Por lo tanto, la tercera matriz nos
dice que el sistema asociado tiene infinitas soluciones con un grado de libertad, o sea
con una y solamente una incognita libre, que puede ser la z. Concretamente, podemos
leer las soluciones despejando x y y en terminos de z:
x = 8z + 1
y = 5z + 3.
Ahora ya podemos formalizar el algoritmo de Gauss-Jordan tal como se usa en la
vida real:
40. Algoritmo de Gauss-Jordan para resolver un sistema lineal de ecuaciones con n inc
ognitas y m ecuaciones:
Sea el sistema
1.4. SISTEMAS DE M ECUACIONES CON N INCOGNITAS
25
.
.
.
. .
.
.
.
. .
.
.
.
. .
..
a
a12 ... a1n . b1
11
.
a
.
. .
. .
.
.
. .
. .
.
.
.
. .
.
..
am1 am2 ... amn . bm
Ejemplo
2x + y + 2z = 1
x 2y z = 2
3x 6y 3z = 3
..
2
1
2 . 1
1 2 1 ... 2
..
3 6 3 . 3
CAPITULO 1. ECUACIONES
26
..
R1 R2 1 2 1 . 2
.
2
1
2 .. 1
..
3 6 3 . 3
.
1 2 1 ..
2
..
0
5
4
.
3
R2 2R1
..
R3 3R1
0
0
0 . 4
Ejemplo
x 2y + z = 0
2x + 3y z = 1
3x 2y + z = 2.
.
1 .. 0
..
2
3
1
.
1
..
3 2
1 . 2
2) Escalonamos
1 2
..
1 2
1 . 0
..
0 1
1 . 1
R2 + 2R1
..
R3 3R1
0
4 2 . 2
.
1 2 1 .. 0
0 1 1 ... 1
..
R3 + 4R2
0
0 2 . 6
..
R3/2 1 2 1 . 0
0 1 1 ... 1
..
0
0 1 . 3
1.4. SISTEMAS DE M ECUACIONES CON N INCOGNITAS
27
..
R1 R3 1 2 0 . 3
..
R2 R3
0 1 0 . 2
.
3
0
0 1 ..
..
.
1
1
0
0
R1 2R2
..
R2
0
1
0
.
2
..
0 0 1 . 3
Ejemplo
2x y + z = 1
4x + 2y z = 2
4x + 2y 2z = 2
Solucion:
1) Matriz aumentada
2) Escalonamos la matriz
.
1 ..
1
.
2 1 ..
2
..
2 2 . 2
2 1
..
2 1 1 . 1
..
0
0 1 . 4
R2 + 2R1
..
R3 + 2R1
0
0 0 . 0
..
R1 R2 2 1 0 . 3
.
0
0 1 ..
4
..
0
0
0 0 .
CAPITULO 1. ECUACIONES
28
..
1
1/2
0
.
3/2
R1/2
..
0
0
1
.
4
..
0
0
0 .
0
3/2
1/2
3/2 + (1/2)y
0
y = y 1 +
S=
4
0
4
x+y+z = 2
xy+z = 1
a)
x y + z = 1
x+y+z
xy+z
b)
2x + 2z
x+y+z
xy+z
c)
2x + 2z
29
=2
=1
=3
=2
=1
=1
47. Ejercicio Para cada una de las siguientes opciones, invente un sistema 3 3 y
verifique su prediccion usando el algoritmo de Gauss-Jordan de cinco pasos:
a) Su solucion sea u
nica.
b) Tenga infinitas soluciones con un grado de libertad.
c) Tenga infinitas soluciones con dos grados de libertad.
d) No tenga solucion.
1.5.
Ejercicios de repaso
x 3y + z = 1
2x + y z = 1
CAPITULO 1. ECUACIONES
30
1 3
. Este procolumna con ceros en todas las entradas, donde A =
3 1
~ no
blema tiene la lectura geometrica siguiente: hallar todos los vectores X
~ lo que resulta
nulos tales que al multiplicar o aplicar la matriz A sobre X,
~
es kX que es un alargamiento de X.
1 2 3
~ = B,
~ donde
c) Si A = 0 4 3 , exhiba la solucion general del sistema AX
0 0 1
~
B es cualquier vector columna de tres componentes.
1.6.
Resumen
Los sistemas de ecuaciones lineales tienen una amplia gama de aplicaciones pero
la complejidad de los problemas resultantes demanda metodos poderosos y conceptos
claros. Hemos elaborado la propuesta de reducir el estudio de los sistemas de ecuaciones
lineales al de los problemas matriciales. De esa forma, solucionar un sistema equivale a
reducir, seg
un reglas claras y sencillas, consignadas en el algoritmo de Gauss-Jordan,
una matriz aumentada cualquiera a una matriz escalonada reducida. Para sistemas
lineales tales que su matriz reducida tenga n columnas o variables y r renglones no
nulos o condiciones independientes para las variables, se cumple que:
Si la matriz terminal es la identidad, la solucion es u
nica. Si hay una contradiccion
aparente, no hay solucion. Si no hay contradicciones y el n
umero de variables o columnas
de la matriz no aumentada es mayor que el n
umero de renglones no nulos, n > r,
hay infinitas soluciones. En este u
ltimo caso, el n
umero de variables libres es igual al
n
umero de columnas o variables menos el n
umero de condiciones o renglones no nulos
y se denomina grados de libertad de la solucion que es igual a n r. Hemos podido
entender por que el algoritmo de Gauss-Jordan es conservativo, pues no crea ni destruye
soluciones. Eso se debe a que todo algoritmo de Gauss-Jordan es una composicion de
operaciones elementales, cada una de las cuales es reversible, lo cual garantiza que no
se crea ni se pierda informacion.
CAPITULO
En este captulo introduciremos un pilar basico del algebra lineal, los espacios vectoriales. Para mostrar que no hay nada misterioso en esas estructuras, partiremos
de ideas geometricas muy sencillas y gradualmente iremos abstrayendo las nociones
matematicas necesarias.
La geometra estudia las relaciones espaciales. Por naturaleza, la geometra es una
ciencia aplicada pues nace y se realiza en nuestra relacion con el espacio fsico ligado a la
tierra. Sin embargo, la geometra es redundante, uno puede hacer un curso de geometra
sin hacer un solo dibujo, simplemente refiriendose a relaciones entre n
umeros. Con
todo, en este curso la geometra es basica, pues hay una correspondencia perfecta entre
algunos problemas geometricos y sistemas de ecuaciones lineales. Por otra parte, puesto
que todos nosotros tenemos cientos de millares de horas de experiencia en manejo
espacial, todos nosotros tenemos un enorme conocimiento que podemos utilizar para
dos cosas: una es usar la geometra para dilucidar problemas de algebra lineal y la otra
es usar el algebra lineal para resolver problemas de geometra.
Un primer objetivo sera poder interpretar una ecuacion lineal con dos incognitas
como una recta en el plano. Por tanto, resolver un sistema de dos ecuaciones con dos
incognitas equivaldra a encontrar todos los puntos comunes a dos rectas: puede ser uno
solo, cuando las rectas no son paralelas, o puede no haber solucion cuando las rectas
son distintas pero paralelas, o puede haber infinitas soluciones cuando las dos ecuaciones representan una misma recta. Observemos que gracias a nuestra interpretacion
de ecuaciones por rectas, ya nos liberamos, al menos en este caso, de la preocupacion de
si nuestro algoritmo es conservativo o no. Y lo que es mas, iremos reuniendo evidencia
a favor de la tesis de que el algoritmo de Gauss-Jordan es conservativo.
2.1.
Espacios cartesianos
El tipo de geometra que vamos a considerar fue inventado por Descartes y consiste
en representar los n
umeros sobre el espacio cartesiano que es un espacio con un sistema
de direcciones para llegar a cualquier punto.
El espacio unidimensional recto o recta real lo notamos R y tiene su origen en el
31
32
Y
(4,1)
(4,1)
Figura 2.0. El plano cartesiano. Una dupleta representa tanto un punto como un
vector, el cual tiene direccion, sentido y magnitud.
4
Y
X
Figura 2.1. El espacio 3D (tres dimensiones): la tripleta (4, 5, 5) o el vector (4, 5, 5).
Es conveniente aprender a representar en la mente al espacio tridimensional, pero
orientado de manera arbitraria. Las siguientes recomendaciones pueden ayudar: el espacio tridimensional se dibuja de manera que el piso represente el plano XY y la altura
el eje Z. Ademas, se usa el convenio de la mano izquierda: el pulgar es el eje X positivo.
El ndice es el eje Z positivo hacia arriba. El dedo del corazon es el eje Y . Se forma
33
un trpode con 3 angulos rectos, apuntando con el eje X o pulgar hacia el corazon.
Ahora, gire la mano de manera arbitraria: tendra el espacio tridimensional con ejes
que apuntan en direccion arbitraria.
Una de las ventajas inmediatas de la idea de Descartes es que soluciona el problema
de no poder imaginar, por ejemplo, un espacio de 8 dimensiones. En efecto, los puntos
de dicho espacio se representaran por 8-tupletas, las cuales tendran 8 coordenadas.
Una vez hecho esto, es elemental tratar con conjuntos de 8-tupletas y aplicarles las
mismas leyes que se aplican a las dupletas en el plano o tripletas en el espacio.
La maquinaria propuesta por Descartes y aceptada universalmente funciona igual
de bien en 3 dimensiones como en 93 o en cualquiera otra. Dicho de otra manera, no
tenemos hasta ahora una razon matematica para se
nalar a la dimension 3, la de nuestro
espacio, como privilegiada: no sabemos por que nuestro espacio es tridimensional. Se
han propuesto posibles explicaciones de este misterio, por ejemplo: en dos dimensiones
no podran haber organismos como nosotros, pues el tracto intestinal nos dividira en
dos partes separadas que ya no seran un organismo. Pero si el universo tuviese mas de
3 dimensiones espaciales, entonces puede demostrarse que no existiran sistemas planetarios estables: un peque
no meteorito sacara de orbita a cualquier planeta. Tampoco
existiran atomos. La vida como la conocemos no podra existir. La disciplina fsica que
se ha agarrado de lleno con el problema de la dimensionalidad es la teora de cuerdas
(Zwiebach, 2004).
En nuestro mundo, las n-tupletas pueden aparecer naturalmente en cualquier momento.
Pero no solo se desea describir la naturaleza, sino que tambien se a
nora entenderla. Eso significa armar relaciones entre las variables de tal manera que mediante
el valor de algunas de ellas, llamadas independientes, uno pueda predecir, al menos
aproximadamente, el valor de otras, llamadas dependientes. Un modelo es una definicion de un conjunto de variables independientes y de sus interrelaciones. Si todo eso
se expresa por medio de formulas matematicas, tenemos un modelo matematico. Si
adicionalmente las ecuaciones son lineales (de la forma 3x + 4y 7z = 8), tenemos un
modelo lineal. Pues bien, lo ideal es meter tan pocas variables independientes como sea
posible. En la practica, eso se hace por tanteo. Si con 3 variables uno no puede hacer
grandes predicciones, entonces uno agrega otra mas a ver si eso sirve de algo.
Nosotros usamos una equivalencia, los elementos de Rn , n-tupletas ordenadas, los
representamos indistintamente como un punto con sus coordenadas correspondientes o
bien como un vector o flecha que sale del origen y que llega hasta el punto dado. Esta
equivalencia permite interpretar un vector como una posicion o bien como una abstraccion de objetos vectoriales, o sea, como el desplazamiento, la velocidad, la aceleracion,
la fuerza, el campo magnetico, etc. Formalmente tenemos:
48. Definici
on. Rn es el conjunto de las n-tuplas ordenadas o vectores. Un
n
elemento ~x R , lo notamos (x1 , x2 , ..., xn ). R2 tambien se llama el plano, y a R3 el
espacio. Al n
umero n tambien se le llama dimensi
on. Dos n-tuplas ordenadas son
iguales si hay igualdad entre las coordenadas. El vector (4, 2, 5) es elemento de R3 ,
mientras que (6, 2, 3, 4) lo es de R4 . Los vectores (1, 2, 3) y (2, 1, 3) no son iguales.
El cero en R3 es (0, 0, 0) y corresponde con el origen de coordenadas.
34
Para conectar nuestros vectores con las aplicaciones en fsica, debemos notar que
nuestros vectores tienen direccion, sentido y magnitud, la cual aprenderemos a medir
un poco despues. Hay tambien dos entidades mas: segmentos y segmentos dirigidos. Un
segmento esta determinado por un par de puntos sin preferencia de orden, lo notamos
P Q, donde P es un extremo y Q es el otro. Este representa una varilla de hierro que
poco importa si se coloca en una direccion o en la otra. Un segmento dirigido es
un segmento para el que es importante decir cual es el comienzo y cual el final. Un
segmento dirigido puede representar un desplazamiento, cuya descripcion me dice si
me muevo de aqu para alla o de alla para aca.
Cabeza
Segmento
Segmento dirigido
Cola
con cola P y cabeza Q, mientras que la notacion P Q denota un segmento dirigido con
cola Q y cabeza P . Notemos que P Q = QP . Un vector es un segmento dirigido que
sale del origen, y como siempre sale del origen, esto nunca se explicita y por lo tanto
un vector esta determinado por un punto, la cabeza.
2.2.
Paralelogramos
Veamos de que manera hay una relacion natural entre operaciones algebraicas con
vectores y movimientos geometricos en un paralelogramo. As vamos fabricando dos
mundos paralelos: el algebraico y el geometrico. La idea es aprender a cambiarnos de
mundo seg
un nos convenga.
Definamos la suma de vectores y despues la multiplicacion de un vector por un
n
umero. A los n
umeros tambien se les llama escalares. Despues la resta. Mas adelante
definiremos el producto punto entre dos vectores, el cual es un producto sorpresivo
pues el resultado no es un vector sino un escalar.
49. Definici
on. Los vectores se suman coordenada por coordenada. Si estamos
2
en el plano o R , podramos tener: (1, 2) + (3, 4) = (1 + 3, 2 + 4) = (4, 6). En general,
(x1 , x2 , ..., xn ) + (y1 , y2 , ..., yn ) = (x1 + y1 , x2 + y2 , ..., xn + yn ). Observemos que, nuestra
definicion s
olo se encarga de sumar dos elementos. Por eso decimos que la suma es una
2.2. PARALELOGRAMOS
35
operaci
on binaria. Adem
as, est
a definida de tal forma que la suma de dos elementos
del mismo espacio quede dentro del mismo espacio. Por eso decimos que la suma es
cerrada.
Deseamos que la suma este relacionada con paralelogramos. Eso explica la siguiente
definicion.
50. Definiciones. Un paralelogramo es una figura plana bordeada de 4 segmentos paralelos dos a dos. (Dos lados son paralelos si las lneas que los contienen nunca
se cortan.) Un rombo es un paralelogramo de cuatro lados iguales. Un rect
angulo es
un rombo con
angulos internos iguales. Un cuadrado es un rect
angulo con todos sus lados iguales. Un paraleleppedo es una figura tridimensional de caras planas paralelas
dos a dos. Un cubo es una paraleleppedo cuyas caras son cuadrados. Un paralelogramo
puede definirse en cualquier dimensi
on, pero como un paralelogramo est
a totalmente
contenido en un plano, uno se lo imagina que est
a en R2 y todo le funciona.
Ahora relacionemos el algebra con la geometra. Un vector es un desplazamiento,
el cual se codifica partiendo del origen y llegando hasta el punto indicado.
Sumar dos vectores es sumar dos desplazamientos, es decir, es desplazar el primer
vector y despues el segundo vector. Los vectores se suman coordenada por coordenada,
pero graficamente eso equivale a poner la cola del segundo vector sobre la cabeza del
primero. La suma es el desplazamiento total, aquel vector que sale del origen y llega
hasta la cabeza del segundo vector. Eso de poner la cola contra la cabeza implica
tomar el segundo vector, que en principio sale del origen, y trasladarlo paralelamente a
s mismo hasta que llegue a la cabeza del primer vector. La conclusion es que los vectores
que se estan sumando definen los lados contiguos de un paralelogramo y el resultado
de la suma es la diagonal que une el origen con la cabeza del segundo sumando, como
en el siguiente grafico en el cual se suma (3, 1) con (1, 2):
3
0
0
36
53. Ejercicio Demuestre que en Rn existe un elemento neutro, ~o, que al ser
sumado a cualquier vector no lo cambia: ~u + ~o = ~u, para todo ~u.
~ tal que
54. Ejercicio Demuestre que en Rn para cada vector ~u se tiene un vector w
~u + w
~ = ~o. Demuestre que dicho vector es u
nico y por eso se llama el inverso de ~u y
se nota ~u.
Cuando un conjunto esta provisto de una operacion binaria cerrada, asociativa, con
elemento neutro y con inverso, decimos que tenemos un grupo. Es imposible entender
la fsica moderna en cualquiera de sus facetas sin el concepto de grupo.
55. Ejercicio Demuestre que en un grupo el elemento neutro es u
nico.
En el futuro, en vez de decir que tenemos un conjunto con estructura de grupo
diremos que podemos sumar sin problema.
Tal vez uno tenga sumas que impliquen un grave problema y as es, en efecto:
nosotros hemos definido la suma para vectores, es decir, para segmentos dirigidos que
empiezan todos desde el origen. Pero no hemos definido la suma de segmentos dirigidos
que empiecen en cualquier parte. Por que? Porque queremos que nuestras definiciones
capten algo importante de lo que pasa en el mundo real. Cuando sumamos dos vectores
estamos pensando, por ejemplo, en dos personas que halan una piedra con dos cuerdas
y que cada uno hace una fuerza correspondiente. Si la piedra es peque
na, uno puede
aproximar la situacion diciendo que la fuerza act
ua sobre el mismo punto y todo lo
representamos como suma de vectores. La suma de las dos fuerzas corresponde a la
fuerza que una tercera persona puede hacer para producir el mismo efecto (a muy
corto plazo) que las dos personas en conjunto.
Pero si la piedra es grande, lo mas seguro es que las cuerdas act
uen sobre puntos
distantes de la piedra. Uno podra entonces pensar que se puede abstraer la situacion
diciendo que estamos tratando con vectores generalizados y que estos tambien pueden
sumarse de una forma muy simple. Pues bien, es verdad que uno puede definir suma
de segmentos dirigidos de una manera muy simple, pero no es cierto que el resultado
de la suma indique que uno puede reemplazar las dos cuerdas por una tercera y que
el resultado sea el mismo en ambos casos. En particular, dos fuerzas que operan en
puntos distintos de un cuerpo pueden producir rotaciones, pero una sola fuerza no
necesariamente produce rotaciones. Por esta razon, no definimos suma de segmentos
dirigidos. Pero que hacemos entonces con la vida real en la cual hay varias fuerzas
que act
uan en diversos puntos de un mismo cuerpo? Para estudiar estas situaciones se
han desarrollado ciencias complicadas, digamos la estatica y la dinamica, la teora de
elasticidad (tanto lineal como no lineal), la teora de fluidos, la ciencia de resistencia
de materiales. Cada una de esas ciencias propone su forma de abstraer, de elaborar los
modelos matematicos y de interpretar los resultados. Por supuesto, en el fondo de todo
eso uno encontrara vectores con su suma sin problemas.
Todo esto quiere decir que sumar dos vectores pegando la cabeza del primero con
la cola del segundo es un abuso legitimado por la geometra, pero el cual no tiene
justificacion fsica en todas las ocasiones.
Pasemos ahora a considerar la multiplicacion de un vector por un n
umero.
2.2. PARALELOGRAMOS
37
Cuando uno hace una fuerza, uno puede doblarla, triplicarla, reversarla, etc. Ademas
de suma, los vectores admiten otra operacion: la multiplicacion escalar. Eso debe implicar que un vector (como entidad matematica) debe poder alargarse, acortarse y reversarse, todo lo cual corresponde simplemente a multiplicarlo por un escalar o n
umero
real. Por ejemplo, para alargar un vector dos veces se multiplica cada coordenada del
vector por dos.
5
(2,4)
(1,2)
0
0
38
~u ~v
~v
Figura 2.5. Resta grafica de vectores: ~u ~v sale del origen y es paralelo al segmento
dirigido que va desde ~v hasta ~u.
De igual forma, ~u ~v es el vector que representa lo que le falta a ~v para llegar a
~u, es decir, es una flecha cuya cola esta en la cabeza de ~v y su cabeza esta en la de ~u.
Pero para nosotros todos los vectores salen del origen. Eso se remedia trazando desde
el origen un vector que sea paralelo a la resta grafica pero con la misma direccion y
sentido.
60. Ejercicio Sea ~u = (2, 6), ~v = (7, 3), w
~ = (2, 4). Calcule y grafique las
siguientes restas usando la definicion de resta como vectores y el equivalente de resta
de puntos:
a) 4~u 2~v
b) 2~u 3w
~
c) 3w
~ 5~v .
2.3.
39
EV=Espacios vectoriales
Nosotros hemos trabajado con Rn y hemos visto como se suman vectores y como se
multiplica un vector por un escalar. Y lo hemos podido hacer de manera natural y sin
problema. Pues bien, hay muchos otros conjuntos fuera de Rn donde tambien puede
definirse una suma y una multiplicaci
on escalar sin problema alguno. A dichas
estructuras se les llama espacios vectoriales.
61. Definici
on. EV= Espacio vectorial. Un espacio vectorial es un conjunto
no vaco sobre el cual se ha definido una suma que le da estructura de grupo y una
multiplicaci
on por escalares que cumple las siguientes propiedades:
La multiplicaci
on por un escalar distribuye la suma de vectores. Para todo escalar
y todo par de vectores ~u, ~v se cumple que (~u + ~v ) = ~u + ~v .
La multiplicaci
on por un vector distribuye la suma de escalares. Para todo par de
escales , y cualquier vector ~u se tiene que ( + )~u = ~u + ~u.
Alargar un vector veces y el resultado alargarlo veces, es lo mismo que alargar
al vector veces: (~v ) = ()~v .
Alargar un vector una vez es lo mismo que no hacer nada. Para todo ~u se tiene que
1~u = ~u.
62. Ejercicio Demuestre que Rn es un espacio vectorial.
El espacio Rn puede verse como una elaboracion de R y, en cierto sentido, todos
los espacios vectoriales no son mas que matrices de Rn , aunque tal vez n pueda ser
infinito. Por ahora no profundizaremos en estos temas, pero puede ser muy conveniente
dar unos dos o tres ejemplos de espacios vectoriales un poco mas abstractos.
63. Contraejemplo Nos gusta decir y enfatizar que cuando uno puede sumar y
alargar sin problema, uno tiene un EV , o sea un conjunto en el cual uno puede
operar como si estuviese en Rn . Pero entonces, que querra decir sumar o alargar con
problemas? Para entender eso, consideremos el siguiente ejemplo, en el cual se definen
la suma y la multiplicaci
on escalar de manera especial.
Para que un conjunto sea EV se requiere, entre otras cosas, que sea no vaco.
Como conjunto tomamos el plano, con coordenadas (x, y). Se requiere una suma y una
multiplicacion escalar. Nuestra suma la definimos como sigue: para sumar, lo u
nico que
nos importa es la primera coordenada:
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , 0)
Similarmente, para multiplicar por un escalar:
(x, y) = (x, 0)
La suma, tal como la hemos definido, es cerrada y lo mismo la multiplicacion escalar.
Como quien dice, no hay problema ni con la suma, ni con la multiplicacion escalar. Pero
eso no es suficiente para ser EV . Se requiere que el conjunto con la suma cumpla los
axiomas de grupo. Veamos que la suma es conmutativa, es asociativa, no hay elemento
neutro, pues si existiese, sera de la forma (0, w), pero (x, y) + (0, w) = (x, 0) 6= (x, y).
40
41
42
dijo: Hablad! Magallanes respondio: puedo demostrar que la Tierra no es plana sino
redonda. Hubo consejo y le dieron por mision demostrar su pretension.
El portugues Magallanes salio de Sanl
ucar de Barrameda en 1519 con 5 carabelas.
Llego a America por Brasil, y por all mismo una tormenta le desbarato una carabela.
Pero de todas maneras siguieron y descubrieron el estrecho que hoy se llama de Magallanes. Se aventuro a meterse en las entra
nas del oceano Pacfico, y despues de 3 meses
de penurias llego a las Marianas en 1521, pero poco despues fue muerto en una isla de
las Filipinas. Agonizante, Magallanes le dijo a Elcano: por Dios y por el rey, cumplid
la mision. Elcano respondio: por vos la cumplire. Viendo Magallanes en los ojos de
Elcano su sinceridad, su sabidura y su firmeza, su corazon se lleno de paz y murio.
Elcano tomo el mando de las carabelas, le dio la vuelta a Asia y tambien a Africa y
llego a Espa
na en el oto
no de 1522. Se presento al rey Carlos V y le entrego su bitacora
(las memorias de su recorrido, incluyendo las mediciones de rigor). Le fue anunciado a
Elcano la cifra de toda la fortuna que se haba invertido en su expedicion y lo llevaron
a un lugar donde sera ahorcado si su bitacora no demostraba que su mision haba sido
cumplida.
Le pusieron la soga al cuello y dieron la bitacora a los matematicos para que la
estudiaran.
El rey miraba la escena desde una ventana y detras de una cortina trada desde
Flandes. Elcano estaba ah con la soga en su cuello esperando el veredicto y el rey se
maravillo de su serenidad y de su paciencia. Y pensando en eso, de pronto comprendio el
rey que Elcano haba cumplido la mision y que el s saba de sobra y con certeza
que la Tierra era redonda en verdad. Y entonces el rey visualiso a la Tierra como
a una manzana en el espacio. Y se pregunto: yo no siento que la Tierra se caiga,
que sera lo que la mantiene en su puesto? Y no encontro mas respuesta sino a la
mano de Dios. Cuando llego a esa conclusion, el rey se estremecio pues nunca en su
vida haba percibido a Dios tan cerca de su vida. Inmediatamente se dijo: yo voy a
defender a Dios de todos sus enemigos. Los cortesanos queran preguntarle la causa
de su estremecimiento, que por demas fue bastante pronunciado, que si tal vez senta
dolor porque ahorcaran a Elcano, pero el rey los dejo callados al ordenarles: hagan
otras siete horcas para los matematicos. Si no me dan la respuesta correcta, que yo ya
se, los ahorcare.
Los matematicos estaban tan embolatados en sus quehaceres que ni cuenta se dieron
de las otras siete horcas. Cuando los matematicos terminaron fueron al rey y le dijeron:
la Tierra es redonda en verdad. Sabiendo ellos que el rey tena un refinado gusto por
las cosas maravillosas, ellos esperaban que el rey llorara de alegra. Pero el rey no
lloro, ni mostro conmocion alguna. Como los cortesanos vieron que el rey no mandaba
a ahorcar a los matematicos, dedujeron que ellos haban llegado a la respuesta correcta
que el rey ya saba.
Bajaron a Elcano de la horca y cuando los matematicos supieron para que eran
las otras siete horcas, se desmayaron todos, excepto don Beltran Alonso Rodrguez,
duque de Fuensalda
na. Este tipo no poda desmayarse porque el posea la tradicion
de los piratas que data desde los romanos: cuando Pompeyo fue encomendado para
acabar con ellos, solo se salvaron aquellos que se aventuraron a abrirse de las costas y
meterse mar adentro en el Mediterraneo donde no podan ver las monta
nas que servan
de gua sino solo contaban con las estrellas. Pues bien, cerca de la costa europea se
43
44
poder absoluto.
Para saber mas. Nosotros estudiamos en este curso una amalgama de algebra y geometra plana. En el mundo de la complejidad, nuestra materia es facil pues los temas
complicados estan asociados a geometra curva y a herramientas analticas apropiadas.
El enfoque adoptado para combatir la complejidad que trae consigo la introduccion
de la curvatura es el mismo de los cartografos: a peque
na escala la tierra se modela
plana, lineal, y se construyen mapas que se pueden poner sobre una mesa. La curvatura
sale de la forma como se curvan los diversos mapas para ser pegados unos con otros.
Este tema se estudia en geometra diferencial. Aunque las aplicaciones de esta materia
son muy variadas, las mas conocidas son en fsica pues, por ejemplo, la gravitacion
se reduce seg
un la relatividad general propuesta por Einstein a un efecto de la curvatura del espacio-tiempo, una estructura en la cual el tiempo no se puede disociar
del espacio. Esta idea se ha venido desarrollando y ahora cubre toda la fsica. Un enfoque sobre el tema que es moderno, que ensancha la mente y unifica las ideas, y que
ademas es pedagogico puede encontrarse en Rodrguez (2008), en Internet, y comenzar
a trabajarse despues de ver calculo vectorial aunque una hojeada por un estudiante
del presente curso le podra servir para ver las ideas generales. Si logra sacar como
conclusion que el algebra lineal esta en el fundamento de todo, y que por tanto hay
que saberla bien, ya sera mucho lo que ha ganado.
2.4.
Espacios digitales
0
-1
Figura 2.6. La funcion P2 es un pulso que vale uno sobre el intervalo [2,3) y cero por
fuera.
45
Si el intervalo base es [0, 5), podemos notar a P2 como (0, 0, 1, 0, 0). Pero si el
intervalo base es [0, 7), P2 debera ser notado como (0, 0, 1, 0, 0, 0, 0).
73. Ejercicio Dibuje los siguientes pulsos:
a) (0, 0, 1)
b) (0, 0, 1, 0)
c) (0, 0, 1, 0, 0)
74. Ejercicio Las siguientes n-tupletas no son pulsos, pero son modificaciones sencillas de pulsos, especifique de cuales:
a) (0, 0, 3)
b) (0, 0, 5, 0)
c) (0, 0, 7, 0, 0)
75. Ejercicio Los pulsos son importantes en transmision de informacion, un pulso
se interpreta como un uno y una ausencia de pulso como un cero, siempre y cuando
uno tenga claramente definida la unidad de tiempo basica dada por un reloj. Cuando
los pulsos se transmiten en serie se crea un tren de pulsos. A que tren de pulsos
corresponde el n
umero binario 1011010, si cada mensaje tiene 7 pulsos y si los bits
(que son biopcionales, todo o nada) se mandan de izquierda a derecha? Bosqueje el
tren de pulsos correspondiente.
76. Ejercicio Formalice la definicion de tren de pulsos. Defina la suma de trenes
de pulsos y su multiplicaci
on escalar de forma natural, es decir, coordenada por coordenada. Muestre que el conjunto de trenes de pulsos con la suma y la multiplicaci
on
escalar as definidos, no forman un espacio vectorial.
77. Ejercicio Si uno cuenta con un dispositivo de amplitud modulada, se pueden
transmitir se
nales cuya notacion es del estilo (3, 4, 2, 6). Esta tetratupleta dice que
hemos tomado el intervalo [0, 4) y sobre el hemos definido una funci
on o se
nal que
puede notarse como
(3, 4, 2, 6) = 3P0 + 4P1 + 2P2 + 6P3 .
Todo parece indicar que tenemos un espacio vectorial. Podemos sumar y alargar
sin problema. Demuestrelo formalmente, es decir, pruebe que el conjunto de funciones
definidas sobre I = [0, n) y constantes sobre cada subintervalo [i, i + 1) es un espacio
vectorial con la suma y la multiplicaci
on escalar naturales. A dicho espacio lo notamos
Dn y lo llamamos el espacio digital de dimensi
on n. Por abuso del lenguaje, los
elementos de Dn tambien se llaman pulsos.
78. Ejercicio Desde el punto de vista de espacios vectoriales, Rn y Dn son practicamente lo mismo. Decimos que Rn y Dn son isomorfos. Formalice la definicion de
isomorfismo de espacios vectoriales y demuestre formalmente que Dn y Rn son isomorfos. (Dn , el espacio digital, es el conjunto de funciones definidas sobre I = [0, n) y
constantes sobre cada subintervalo [i, i + 1)).
46
2.5.
La norma de un vector
Definiremos la longitud de un vector de R2 para que coincida con la nocion de longitud del mundo en que vivimos, el cual esta caracterizado por el teorema de Pitagoras,
descubierto hace 2.500 a
nos. Para ello necesitamos algunos prerrequisitos. La generalizacion de la definicion de norma en Rn es inmediata. Pero para espacios vectoriales en
general, la norma se define de tal manera que cumpla las propiedades naturales que
cumple la norma en Rn .
79. Definiciones. La unidad de longitud es lo que mide una determinada barra
cuya longitud sea muy estable a la humedad, el calor, la corrosion. La vara la definio Enrique VIII como la distancia desde la punta de su nariz hasta la punta de su mano bien
estirada en posicion horizontal. Los franceses definieron el metro como 1/40.000 el
crculo maximo de la Tierra que pasaba por un determinado pueblo. La longitud de un
segmento en metros es la cantidad de barras de un metro de largo que es necesaria para
cubrir el segmento. La unidad de
area es un cuadrado de un metro de lado. El area de
una figura en metros cuadrados es el n
umero de cuadrados de un metro de lado que
son necesarios y suficientes para enladrillar la figura. La unidad de volumen en metros
c
ubicos es un cubo de un metro de lado. El volumen de una figura en metros c
ubicos
es el n
umero de cubos unitarios que se necesitan para cubrirla.
80. Teorema. El
area de un rect
angulo de base b y altura h es bh.
Demostraci
on. Consideremos que b, h sean enteros. Al rectangulo de base b y altura h
lo cuadriculamos y se forman bh cuadros de 1 unidad de lado, por lo tanto se requieren
bh cuadros para recubrirlo. Es decir, su area es bh.
47
Demostraci
on. Consideremos el paralelogramo PQRS. Su altura es lo que mida el segmento TS, y su base es lo que mida PQ. Se fabrica el rectangulo TURS trasladando el
triangulo PTS hasta que coincida con el triangulo QUR. El rectangulo nuevo tiene la
misma area que el paralelogramo original. Como el area de un rectangulo es base por
altura, la del paralelogramo tambien.
83. Definici
on. Un
angulo se llama recto cuando queda en un vertice de dos
lneas que se cruzan formando cuatro
angulos iguales. Medido en grados un angulo
recto mide 90, y en radianes mide /2.
84. Teorema del medio Sol y ejercicio. Los
angulos internos de un tri
angulo
suman 180 grados o . Por que se llama este teorema as?
Demostraci
on. Para probar esto necesitamos el siguiente hecho:
48
-1
0
En la figura podemos ver tres demostraciones del Teorema. Hay tres maneras de
trasladar los angulos internos para que queden juntos sobre el mismo lado de una lnea
recta de tal forma que llenen todo ese medio mundo. Por tanto, la suma de los angulos
internos de un triangulo es de 180 grados.
=
sa
u
n
ote
Hip
b
a2 +
c=
a
Figura 2.10. Triangulo de Pitagoras.
Demostraci
on. Supongamos que el triangulo rectangulo tiene como vertices A, B, C
y como lados a, b, c. Hacemos cuatro copias del triangulo dado y con ellas formamos
un cuadrado de lado c de tal forma que quede un cuadrado interior de lado b a.
En la figura siguiente, el triangulo inicial esta en la esquina inferior derecha, con su
hipotenusa apuntando hacia la derecha.
49
A
a
ba
-1
-2
C
-3
-2
-1
-3
2
50
96.
Ejemplo
on.
97. Ejercicio Defina una esfera y halle su ecuaci
98. Ejercicio Defina la elipse por la regla del jardinero. Tome tres puntillas. Fije
dos de ellas en puntos separados, llamados focos, y u
nalas con un cuerda floja. Con la
tercera puntilla tense la cuerda y vaya dibujando la elipse,
51
y2
= 1,
b2
origen del plano cartesiano, la cuerda del
entre los focos mide 2c, y hemos definido
2.6.
El producto interior
52
interior, escalar o punto. Comenzamos con una definicion valida para R2 , despues
la generalizamos a Rn y luego a un espacio vectorial cualquiera.
100. Definici
on. Dados dos vectores de R2 , ~u = (u1 , u2 ), ~v = (v1 , v2 ), definimos
el producto interno, escalar o punto ~u ~v como el n
umero
~u ~v = u1 v1 + u2 v2 .
101. Ejemplo Si ~u = (3, 5) y ~v = (4, 2) entonces
~u ~v = (3)(4) + (5)(2) = 12 10 = 2.
102. Ejemplo Si ~u = (1, 1) y ~v = (1, 1) entonces
~u ~v = (1)(1) + (1)(1) = 1 1 = 0.
103. Ejemplo Si ~u = (1, m) y ~v = (1, 1/m) entonces
~u ~v = (1)(1) + (m)(1/m) = 1 1 = 0.
104. Ejercicio Generalice la definicion de producto punto a Rn .
53
A
r
O
y
x
El teorema de Pit
agoras dice que en la grafica anterior, x2 +y 2 = 1, lo cual significa
que sen2 + cos2 = 1. Usando tri
angulos semejantes, se puede demostrar que en un
tri
angulo recto, el seno es el cociente entre el cateto opuesto y la hipotenusa, mientras
que el coseno es el cociente entre el cateto adyacente y la hipotenusa.
C
b
A n
h
c
54
Demostraci
on. Pongamos a descansar el triangulo sobre el lado c y del vertice opuesto
C bajamos la altura h. La altura separa a c en dos partes, sean m, n tal que c = m + n
y por tanto c2 = m2 + n2 + 2mn o sea que m2 + n2 = c2 2mn. Usando Pitagoras en
los dos triangulos rectangulos resultantes, tenemos:
a2 = m2 + h2
b2 = n2 + h2
Sumando
a2 + b2 = m2 + h2 + n2 + h2 = m2 + n2 + 2h2 = c2 2mn + 2h2 = c2 + 2(h2 mn)
Es decir, c2 = a2 + b2 2(h2 mn).
Por otro lado, el angulo C es dividido por h en dos partes 1 cuyo lado opuesto
es n y 2 cuyo lado opuesto es m. Aplicando la identidad del coseno de una suma de
angulos tenemos:
cos C = cos(1 + 2 ) = cos 1 cos 2 sen 1 sen 2 .
y leyendo dichos valores en el triangulo resulta:
cos C = cos(1 + 2 ) = (h/b)(h/a) (n/b)(m/a) = (1/ab)(h2 mn)
Por lo tanto h2 mn = ab cos C. Si reemplazamos esta igualdad en
c2 = a2 + b2 2(h2 mn),
obtenemos
c2 = a2 + b2 2ab cos C tal como reza el teorema.
110. Teorema. Si en un tri
angulo de lados a, b, c se cumple a2 +b2 = c2 , entonces
dicho tri
angulo es rect
angulo. Este teorema define lo que es un
angulo recto para los
ingenieros.
Demostracion: ejercicio.
Ahora podemos establecer lo que podra ser el teorema central del producto punto,
el que lo relaciona con normas y angulos. Aparentemente, la prueba es valida para el
plano, pero en realidad es valida para R3 , por que?
111. Teorema. ~u ~v = k~ukk~v k cos , donde es el
angulo entre los vectores ~u y ~v .
Demostraci
on. Sea ~u = (u1 , u2 ), ~v = (v1 , v2 ), entonces
~u ~v = u1 v1 + u2 v2
(v1 , v2 )
~v ~u
~v
(u1 , u2 )
~u
55
~u~v ssi ~u ~v = 0
~v
~u
Demostraci
on. Si los dos vectores se cortan en angulo recto, 90 o /2, su coseno es cero
y, por lo tanto, su producto interno tambien, pues ~u ~v = k~ukk~v k cos . Recprocamente,
si el producto punto es cero y ninguno tiene norma cero, el coseno debe ser cero y por
lo tanto el angulo es recto.
56
119. Definici
on. Dos vectores son paralelos ssi uno es m
ultiplo escalar del otro.
Es decir, ~u y ~v son paralelos ssi existe un escalar 6= 0 tal que ~u = ~v , o, ~v = ~u.
120. Ejemplo (1, 1) es paralelo con (2, 2) porque el segundo es 2 veces el primero.
Pero (1, 1) y (1, 3) no son paralelos.
~ que relacion hay entre
121. Ejercicio En el plano cartesiano, si ~u ~v y si ~v w,
~u y w?
~ Demuestre su pronostico.
Las propiedades del producto interno sobre Rn se pueden demostrar a partir de
la definicion operacional que hemos dado. Pero para un EV cualquiera, se hace una
definicion por propiedades y a partir de ella se deduce todo. Veamos como se procede.
El producto interno asocia un n
umero a dos vectores. Pero a pesar de que el resultado no es un vector, se le da el nombre de producto porque cumple la ley distributiva.
Tambien cumple otras propiedades listadas en el siguiente teorema, las cuales se toman
como definicion de producto interior en cualquier espacio vectorial real (con escalares
reales).
122. Teorema y ejercicio. El producto interno sobre Rn cumple las siguientes
propiedades, validas para cualquier par de vectores ~u, ~v y para cualquier escalar :
a) Simetra: ~u ~v = ~v ~u.
b)Bihomogeneidad escalar: (~u)~v = (~v ~u) = ~v (~u). Al multiplicar uno cualquiera
de los vectores por un escalar, el producto interno se multiplica por el escalar.
c) Aditividad (distributividad): ~u (~v + w)
~ = ~u ~v + ~u w.
~
d) No negatividad: ~u ~u 0.
e) Inyectividad: si para todo ~v se tiene que ~u ~v = 0 entonces ~u = 0.
Demostraci
on: ejercicio.
123. Definici
on. Se llama producto interno o interior sobre un espacio
vectorial a una funcion que a cada par de vectores le asocia un n
umero real y que
cumple con las propiedades listadas en el teorema anterior, donde ademas aparecen las
propiedades de compatibilidad con la multiplicaci
on por un escalar.
124. Teorema y ejercicio. El producto interior definido sobre un EV arbitrario
cumple con:
a) ~v (~u) = (~v ~u)
b) (~v ) (~u) = 2 (~v ~u)
c) (~v + w)
~ ~u =~v ~u + w
~ ~u
d) La funci
on ~u ~u cumple las propiedades de una norma por lo que podemos
57
Habamos dicho que los pulsos son importantes en tecnologa digital, pues un pulso
puede interpretarse como un uno y una ausencia de pulso como un cero. Y que con un
tren de pulsos puede transmitirse informacion binaria que es suficiente para transmitir
todo tipo de informacion.
Al definir un pulso, nosotros tomamos el intervalo [0, n), pero que significa eso
tecnologicamente? Que tenemos un reloj que marca el tiempo del sistema y que hemos
tomando n unidades de tiempo. Puede ser que un pulso dure un segundo, un milisegundo, un nanosegundo o un femtosegundo. Entre mas cortos sean los pulsos, mayor
volumen de informacion pueden transmitir pero mas difciles son de hacer y de controlar. Por ejemplo, se pueden utilizar cristales de cuarzo para estabilizar la frecuencia
de los pulsos, pero entre mas alta sea la frecuencia, mas es el estres del cristal y podra llegar a romperse. Esto se debe a que cuando se aplica un voltaje ondulatorio
a un cristal, el cristal vibra mecanicamente, lo cual crea desplazamientos relativos,
tensiones, las cuales pueden dislocarlo. La medida sera entonces disminuir los niveles de potencia, pero si se bajan mucho, quedara la informacion tapada por el ruido
termico, un ruido que se genera debido al calor. Por todo esto, nunca ha dejado de ser
interesante imaginar circuitos cuyos modulos sean atomos o moleculas con modos de
vibracion electronica aislados del movimiento termico (Boylestad y Nashelsky, 1994).
Tratar de acortar un pulso hasta cero crea severos problemas no solo tecnicos sino
tambien matematicos. En las matematicas el tema motivo la definicion de la funcion
delta de Dirac como un pulso de duracion cero pero de altura infinita para que el area
total sea uno. Eso es algo tan escurridizo que su formalizacion correcta tuvo que esperar
hasta casi mediados del siglo XX y se denomina teora de distribuciones o funciones
generalizadas y se estudia como parte del analisis funcional (Yosida, 1978). Demos los
primeros pasos en esa direccion.
Recordemos que Dn es el espacio digital sobre el intervalo [0, n), el generado por los
pulsos Pi que tienen amplitud uno sobre el intervalo [i, i + 1) y cero sobre el resto del
intervalo [0, n). Pero ahora tomamos el intervalo [0, 1) y lo dividimos en n subintervalos
iguales, cerrados por abajo y abiertos por arriba. A esto se le llama una particion
homogenea. Dicha particion induce un espacio digital En sobre [0, 1), el cual es un
espacio vectorial, el del audio digital. Veamos ahora como este espacio tambien tiene
su producto interior y como se relaciona con Dn .
125. Ejercicio Relacione D2 con E2 y D4 con E4 . Decida si la familia Dn es la
misma que En o si al menos son isomorfos como espacios vectoriales.
126. Ejercicio Un elemento cualquiera de En se nota (c1 , c2 , ..., cn ), y el producto
interior entre dos elementos de En , ~c = (c1 , c2 , ..., cn ) y d~ = (d1 , d2 , ..., dn ) es
~c d~ = c1 d1 + c2 d2 + ... + cn dn .
a) Demuestre que nuestra definicion satisface todas las propiedades de producto
interno.
b) Demuestre que el producto interno que hemos definidio en el espacio digital En
puede escribirse como una integral. Escriba la norma de un vector usando la forma
integral del producto interior de En .
c) En tambien es conocido como el conjunto de las funciones escalonadas. Estas
funciones se usan para aproximar a las funciones continuas a trozos que tambien conforman un EV. Demuestre que podemos definir sobre dicho espacio un producto interno,
58
punto o escalar entre dos funciones, f y g, como el lmite cuando n tiende a infinito
del producto interno de las funciones escalonadas que aproximan a f y a g y que dicho
producto interno toma la sencilla forma siguiente:
f g =
f (x)g(x)dx
127. Ejercicio Dibuje algunas funciones que pertenezcan tanto a E16 como a E8 .
Dibuje algunas funciones que pertenezcan a E16 pero no a E8 . Dibuje una funci
on que
no pertenezca a ning
un En y aproxmela, por instinto y sin cargo de conciencia, por
elementos de En .
128. Ejercicio Sea C el conjunto de las funciones continuas definidas sobre el intervalo [0, 1). Atrevase a definir un producto interior en C que respete la relacion entre
C y En .
a) Que relacion hay entre C y En para n grande?
b) Que pasa cuando n tiende a infinito?
129. Ejercicio Sea T el conjunto de las funciones definidas sobre el intervalo [0, 1),
que son continuas a trozos pero con un n
umero finito de discontinuidades. Demuestre
que T es un espacio vectorial. Que relacion hay entre C, T y En para n grande?
Atrevase a definir un producto interior en T que respete su relacion con C y con En .
2.7.
Lneas en el plano
Primero repasaremos la tecnologa mas usual para tratar con lneas en el plano.
Luego desarrollaremos una tecnologa que nos permita tratar con lneas en un espacio
de dimension cualquiera. Nosotros utilizaremos los terminos recta, lnea y lnea recta
como sinonimos.
130. Definici
on. Dos tri
angulos son semejantes si uno de ellos es la ampliacion
del otro. O lo que es lo mismo: dos tri
angulos son semejantes si existen escalas de
medida en las cuales los dos tri
angulos se ven como uno s
olo.
59
l1
l2
l1
l2
Demostraci
on. Denotemos como l1 , l2 dos lados del primer triangulo y como l1 , l2 los
dos lados homologos del segundo triangulo. Se tiene:
(lado uno) es a (lado uno prima)
como
(lado dos) es a (lado dos prima).
O en quebrados,
l1 /l2 = l1 /l2
Demostracion:
l1 = kl1
l2 = kl2
Por tanto:
l1 /l2 = kl1 /(kl2 ) = l1 /l2
lo cual implica que
l1 /l1 = l2 /l2
Es bueno aprender a verbalizar esta expresion, por ejemplo: lado uno grande es a
lado uno peque
no como lado dos grande es a lado dos peque
no. Puede ser conveniente
aclarar que en esta verbalizacion, cuando decimos lado grande o lado peque
no realmente
estamos diciendo lo que el lado grande mide o lo que el lado peque
no mide.
60
133. La ecuaci
on de la lnea. Una lnea es un conjunto del plano determinado
por dos puntos y por tri
angulos semejantes. Un tercer punto pertenece a la lnea si
todos los tri
angulos resultantes son semejantes, como en la figura.
Q
X
P
R
Hallemos la ecuaci
on de la lnea que pasa por los puntos P = (0, 0)
Q
P
S
X = (x, y)
R
61
Hallemos la ecuaci
on de la lnea que pasa por los puntos P = (1, 3)
Solucion:
Q = (5, 8)
X = (x, y)
P = (1, 3)
R = (x, 3)
S = (5, 3)
4
Figura 2.21. La ecuacion de una recta que no pasa por el origen.
QS/XR = SP/RP equivale a:
(8 3)/(y 3) = (5 1)/(x 1)
5/(y 3) = 4/(x 1)
reordenando queda:
4(y 3) = 5(x 1)
(y 3) = (5/4)(x 1)
y = (5/4)(x 1) + 3 = (5/4)x 5/4 + 12/4 = (5/4)x + 7/4
que en definitiva nos da:
y = (5/4)x + 7/4.
136. Definici
on. Cuando la ecuaci
on de una recta se ha escrito de la forma
y = mx + b, a m se la llama la pendiente. En el ejemplo anterior la pendiente es 5/4.
Observemos que la pendiente es simplemente cateto opuesto sobre cateto adyacente para
el
angulo situado en P . Al
angulo = Arctg(m) se le llama el angulo de inclinaci
on
de la recta. Si la pendiente es 5/4, el
angulo de inclinaci
on es aproximadamente 51
grados.
Al coeficiente de x cuando y esta despejada se le denomina la pendiente.
137. Teorema. Una lnea es vertical si y s
olo si su ecuaci
on es de la forma x = k.
x=k
62
En efecto, pensemos en la ecuacion x = 5. En el plano, dicha ecuacion representa todos los puntos cuyas coordenadas (x, y) cumplen que x = 5. Por ejemplo, los siguientes
puntos estan en dicha lnea: (5, 3), (5, 8), (5, 1) y en general, todos los puntos de la
forma (5, y). Por tanto, todos esos puntos estan sobre la vertical que pasa exactamente
por (5, 0).
138. Teorema y ejercicio. Toda lnea que no es vertical es de la forma y = mx+b
donde m es la pendiente y b es el corte con el eje vertical Y~ . O de otra forma, una
lnea no vertical que pasa por dos puntos (x1 , y1 ), (x2 , y2 ) tiene pendiente
m=
por lo que su ecuaci
on es
y y1 = m(x x1 )
o bien
y y2 = m(x x2 )
y2 y1
x2 x1
Demostraci
on. ejercicio y, por favor, diga exactamente en donde se usa el hecho de
que la recta no sea vertical.
139.
Ejemplo
Hallemos la ecuaci
on de la lnea que pasa por (1, 3) y (5, 6).
VECTORIAL DE LA LINEA
2.8. ECUACION
63
2.8.
Ecuaci
on vectorial de la lnea
El enfoque que hemos aprendido en la seccion anterior es muy bueno para estudiar
lneas en el plano. Pero la generalizacion de esa metodologa al espacio de tres dimensiones es imposible. Aprendamos ahora una tecnologa que nos permita tratar con
lneas en cualquier dimension, pero empezaremos con lneas en el plano para despues
generalizar.
145. Definici
on. Una lnea que pasa por el origen es simplemente el conjunto
de todos los vectores que resultan de alargar, acortar o reversar un vector dado, o
~ llamado vector director.
lo que es lo mismo, que son m
ultiplos de un vector dado D,
~ = D.
~
Informalmente, una lnea que pasa por el origen es el conjunto de puntos X
~ sobre la
Esto tambien se interpreta como: para ir desde el origen hasta un punto X
~
lnea se camina en la direccion D lo que sea necesario, regulando , hasta llegar al
punto.
6
5
4
3
(2, 3)
2
1
0
-1
-2
-3
-4
(2, 3)
-5
-6
-4
-3
-2
-1
64
Q
b
P
b
~
D
Figura 2.24. El segmento dirigido P Q genera una lnea. Este segmento se representa
~ Cualquier segmento dirigido P X es un m
por el vector D.
ultiplo escalar del vector
director D.
VECTORIAL DE LA LINEA
2.8. ECUACION
65
7
6
5
4
X
D
(1, 4)
b
~ = (2, 3)
D
b
3
2
1
0
-1
-2
-3
-4
-3
-2
-1
66
x
y
xo
yo
a
b
o bien
~ = Po + D
~
X
.
151. Definici
on. Dos lneas en el plano son paralelas si nunca se cortan.
152. Teorema y ejercicio. Dos lneas en el plano son paralelas ssi llevan la
misma direccion o, mejor dicho, si sus vectores directores son paralelos.
Demostraci
on: ejercicio.
El siguiente teorema es una repeticion, pero lo dejamos aqu para poder hacer su
demostracion a partir de la ecuacion vectorial de la lnea.
153. Teorema. Toda lnea en el plano cartesiano es de la forma x = k o
y = mx + b. El termino b es el corte con el eje Y, pues cuando x = 0, y = b. Como y = mx + b es lo mismo que mx y = b, y el otro caso es x = k, la forma general
de una lnea es ax + by = c.
VECTORIAL DE LA LINEA
2.8. ECUACION
67
Demostraci
on. Las lneas verticales que pasan por el origen todas cumplen la ecuacion
x = 0. Si son verticales y pasan por el punto (k, 0) cumplen la ecuacion x = k. Las
lneas verticales tienen a (0, 1) como vector director. Si el vector director de otra lnea
no es paralelo a (0, 1), entonces es de la forma (c, d) con c 6= 0. Ella pasa por un punto
cualquiera P = (h, k). Por lo tanto, un punto cualquiera (x, y) sobre la lnea cumple:
~ = (x, y) L ssi R tal que (x h, y k) = (c, d) = (c, d). Igualando
X
coordenadas
x h = c
y k = d
Multiplicando la primera ecuacion por d y la segunda por c y despues restando:
dx cy dh + ck = 0 o sea dx cy = dh ck.
Despejando queda y = (d/c)x (dh ck)/c que es de la forma y = mx + b
con pendiente m = d/c, que tiene sentido pues c 6= 0. El corte con el eje Y es
b = (dh ck)/c. Esta lnea tiene la misma pendiente de la lnea que pasa por (0, 0)
con vector director (c, d).
154. Teorema y ejercicio. Todas las lneas verticales son paralelas. Si dos lneas
no son verticales, ellas son paralelas si tienen la misma pendiente. Por ejemplo, la
lnea y = 3x + 1 es paralela a la lnea y = 3x + 7 pero ninguna de ellas es paralela a
y = 2x 4.
Demostraci
on: ejercicio.
on de la lnea que:
155. Ejercicio Halle la ecuaci
a) Pasa por los puntos (1, 1), (3, 2)
b) Es paralela a la lnea dada en el inciso a) y pasa por (7, 5)
c) Es paralela a la lnea dada en el inciso a) pero corta al eje Y~ en 5.
~ en 8.
d) Es paralela a la lnea dada en el inciso a) pero corta al eje X
e) Es paralela a la lnea dada en el inciso a), queda arriba de esta y guarda una
distancia vertical de 5 unidades con dicha lnea.
f) Equidista de los puntos (1, 1) y (3, 2).
156. Definici
on. Dos lneas son perpendiculares si se cortan formando cuatro
angulos iguales. Cualquiera de los
angulos se llama a
ngulo recto y su medida en
grados es 90 y en radianes /2.
68
157. Teorema. Dos lneas son perpendiculares ssi sus vectores directores son
ortogonales. Ejemplo, el eje X es perpendicular al eje Y porque sus vectores directores
son (0, 1), (1, 0) cuyo producto punto da cero.
Demostraci
on: ejercicio.
158. Teorema y ejercicio. Dos rectas de la forma y = mx+b son perpendiculares
ssi el producto de sus pendientes es 1.
Demostraci
on: ejercicio.
2.9.
Proyecciones
~u
~v
~v
~v
~v
~v
~v
~v
~h
P
Sombra = ~v
2.9. PROYECCIONES
69
Hagamos dos pruebas de este teorema, una que trabaja con segmentos y otra que
se basa en vectores.
Prueba 1. Como estamos en un triangulo rectangulo y necesitamos determinar un
cateto adyacente, decimos, cateto adyacente (la proyeccion) es igual a hipotenusa (el
vector ~u) por el coseno del angulo entre la hipotenusa y el cateto adyacente. El coseno
lo podemos reemplazar del producto punto para obtener:
||Proy~v (~u)|| = cos ||~u||.
Observese que esta igualdad es entre normas o magnitudes de vectores. Pero ademas
~u ~v = ||~u||||~v || cos
por lo que
~v
cos = ||~u~u||||~
v ||
y entonces
~v
||Proy~v (~u)|| = ||~u~u||||~
||~u||
v ||
Por otra parte, la proyeccion es un vector. Esto quiere decir que tiene direccion, la
cual esta dada por ~v /||~v ||, el cual es un vector unitario en la direccion de ~v . Entonces,
Proy~v (~u) = ||Proy~v (~u)|| ||~~vv||
Reemplazando, simplificando y recordando que ||~v ||2 = ~v ~v obtenemos la respuesta
(ejercicio).
Prueba 2. El punto U es la cabeza de ~u y P la de la Proy~v (~u) = ~v . Sea ~h el
segmento P U . Tenemos:
~u =Proy~v (~u) + ~h = ~v + ~h
~h = ~u ~v
Como el origen O, junto con U y P forman un triangulo rectangulo, el vector
OP = ~v debe ser perpendicular a P U que se representa por el vector ~h (que en
realidad sale del origen y es paralelo a P U ); i.e.:
~h ~u = 0
(~u ~v ) ~v = 0
Como vimos en el teorema 122, el producto punto se llama producto porque distribuye a la suma:
~a (~b + ~c) = ~a ~b + ~a ~c.
Aplicando esta propiedad a la ecuacion anterior tenemos
~u ~v ~v ~v = 0
~u ~v = ~v ~v
por tanto
= (~u ~v )/(~v ~v )
y por consiguiente
~v
Proy~v (~u) = [ ~~uv~
]~v = ||~~uv~||v2 ~v
v
161. Ejercicio y definici
on Demuestre que Proy~v (~u) =
~u ~v ~v
.
||~v || ||~v ||
~u ~v
se le llama la componente del vector ~u sobre ~v y se nota
||~v ||
Comp~v ~u. Por lo que
Proy~v (~u) = (Comp~v ~u) ||~~vv|| .
Al escalar
70
Lo cual nos dice que el vector Proy~v (~u) es un vector en la direccion de ~v . La componente es u
til para calcular la magnitud del vector proyeccion, pues basta con calcular
el valor absoluto de la componente. Demuestre que
u~v |
||Proy~v (~u)|| = |Comp~v ~u| = |~||~
.
v ||
162. Ejemplo Calculemos la proyeccion de ~u = (1, 3) sobre ~v = (1, 1) y tambien
su norma:
Utilizando la f
ormula
~u ~v
~u ~v
Proy~v (~u) = [
]~v =
~v
~v ~v
||~v ||2
tenemos:
Proy(1,1) ((1, 3)) = [((1, 3) (1, 1))/((1, 1) (1, 1))](1, 1)
Proy(1,1) ((1, 3)) = [(1 + 3)/(1 +1)](1, 1) = 2(1, 1) = (2, 2).
La norma de la proyeccion es 8, la cual tambien puede calcularse por el metodo
de la componente:
u~v |
||Proy~v (~u)|| = |Comp~v ~u| = |~||~
v ||
lo que nos da:
Ejemplo
2.9. PROYECCIONES
71
U
d
y=x
P
~u
~v
~v
d = 10 8 = 2.
167. Ejercicio Encuentre la distancia del punto a la lnea, dado:
a) y = x, (2, 0)
b) y = 3x + 1, (1, 2)
c) y 3x = 3, (2, 3)
d) y 4x = 2, (1, 0)
e) 3x 7y = 5, (4, 5)
f ) 3x + 2y = 1, (1, 1).
168. Ejercicio Encuentre la ecuaci
on de la recta que est
a por arriba de la recta
dada (las dos rectas son paralelas) y, ademas, a k unidades por encima de esta, si
a) Recta: y = x, k = 5
b) Recta: y = 2x + 1, k = 6
c) Recta: y = 3x + 4, k = 7
d) Recta: y = 7x 8, k = 8
Todo lo que hemos hecho ha sido desarrollado para el plano. Algunas cosas tienen
interpretacion directa en el espacio tridimensional, pero para dimensiones superiores,
uno debe comenzar con definiciones del siguiente estilo:
169. Definici
on. En cualquier EV, definimos la recta que pasa por la cabeza de
~ como el conjunto de vectores de la forma X
~ = P~ + D
~
P~ y que tiene vector director D
para R.
Si en el EV tambien se ha definido un producto interior, entonces podemos definir
la componente de un vector a lo largo de otro y la proyeccion.
La componente del vector ~u sobre ~v se nota Comp~v ~u y se define como
72
2.10.
Traslaciones
172. Definici
on. Una traslaci
on no es mas que sumar un vector fijo.
173. Ejemplo El punto (1, 2) trasladado (1, 1) se convierte en (2, 1), pues
(1, 2) + (1, 1) = (2, 1).
(1, 2)
(2, 1)
(1, 1)
Figura 2.29. El punto (1, 2) trasladado (1, 1) se convierte en (2, 1).
2.10. TRASLACIONES
174.
Ejemplo
73
(3,1)
Figura 2.30. Una circunferencia centrada en cero fue trasladada (3, 1).
Si la trasladamos el vector C, queda una circunferencia centrada en C, cuyos puntos
tienen como coordenadas (w, z). Podemos hallar la ecuacion de dicha circunferencia
midiendo distancias. Pero hay otro metodo: las coordenadas (w, z) son tales que al
antitrasladarlas al origen, quedaran sobre la circunferencia centrada en el origen y
cumpliran la ecuacion de dicha circunferencia. Antitrasladarla equivale a restar (h, k),
o sea el punto (w, z) se transforma en (w h, z k). Estas nuevas coordenadas cumplen
la ecuacion de la circunferencia que pasa por el origen:
(w h)2 + (z k)2 = r2
o cambiando de nombre a las variables queda como es usual
(x h)2 + (y k)2 = r2 .
175. Ejercicio Demuestre que una esfera centrada en cualquier parte C = (h, k, l)
es una esfera centrada en el origen (0, 0, 0) y trasladada el vector C.
La tecnologa que hemos aplicado a las traslaciones es una parte especial de otra
mas general y de la cual presentamos otra aplicacion. Imaginemos que encima del plano
esta superpuesto otro de caucho y que sobre el hemos dibujado una circunferencia con
radio 1 y centro en el origen. Estiremos el caucho horizontalmente a veces. Instintivamente sabemos que resulta una elipse. Veamos ahora como se prueba que en verdad lo
es. Un punto arbitrario (x, y) sobre la supuesta elipse al ser encogido horizontalmente
a veces se transforma en un punto de la circunferencia unitaria. Por lo tanto, cumple
la ecuacion de dicha figura:
(x/a)2 + y 2 = 1, la cual es una elipse.
176. Ejercicio Repetir el razonamiento anterior cuando el caucho se estira
a) en el sentido vertical u
nicamente b unidades.
b) horizontalmente a unidades y verticalmente b unidades.
74
177. Ejercicio Demuestre que una lnea cualquiera es una traslacion de una lnea
que pasa por el origen.
178. Ejercicio Demuestre que una lnea cualquiera es invariante (queda igual) ante
una traslacion adecuada. Halle una relacion entre el vector traslacion y el vector director de la lnea dada.
2.11.
Sistemas 2 2
Y
Y
2.11. SISTEMAS 2 2
75
con lo que le venga en gana, sino que debe estudiar algo sobre dietetica para combinar
correctamente los alimentos. De igual modo, las autoridades no pueden dejar que los
restaurantes alimenten a sus clientes con lo mas barato de la temporada. Debe hacer
una prescripcion que refleje un adecuado balance de los diferentes elementos requeridos
y cobrar exageradas multas a quien no haga bien las cosas.
Y que significara el caso de un sistema 2 2 que represente dos lneas paralelas
que son la misma lnea? Puede tratarse de llenar los requerimientos de gl
ucidos y de
nada mas tomando dos alimentos ricos en gl
ucidos, digamos arroz y papa. Con el deseo
de mejorar el buen gusto se puede intercambiar caprichosamente lo uno por lo otro si
de lo u
nico que se trata es de llenar los requerimientos de gl
ucidos, digamos para la
comida de la noche, una comida liviana.
Es improbable que se de el caso de productos naturales que conlleven a un sistema
que corresponda a dos lneas que son diferentes pero paralelas y sin puntos comunes,
sin solucion. Sera mas plausible en tecnologa de alimentos sinteticos y correspondera
a tomar dos productos que tengan el uno, digamos, una proporcion de gl
ucidos del
20 % y que sea igual a la proporcion de protenas, y el otro producto, una proporcion de gl
ucidos del 30 % igual a la de protenas. Son productos de valor dietetico no
diferenciado, seguramente no tendran mercado.
179. Ejercicio Invente un significado en la industria que sea de acuerdo con su
carrera para un sistema 2 2 representado por dos lneas paralelas distintas, otro por
dos lneas que se cortan en un u
nico punto y otro por dos lneas que coinciden.
180.
Ejemplo
Resolvamos el sistema:
2x + 3y = 5
4x + 6y = 10
76
c) 3x 2y = 3
d) 4x 6y = 10
e) 6x 4y = 7.
182. Ejercicio Trace 5 lneas sobre el plano cartesiano, por lo menos dos paralelas entre ellas. Halle la ecuaci
on de cada lnea. Tome algunos pares de esas lneas,
prediciendo la cantidad de soluciones de cada sistema correspondiente. Verifique algebraicamente su pronostico.
183. Ejercicio Una industria necesita varios tipos de materias primas para poder
hacer sus productos. Consideremos tan s
olo un producto con dos tipos de materia prima
P 1 y P 2 que tienen dos tipos de componentes C1 y C2. La materia prima P 1 tiene
el 10 % del componente C1 y el 1 % del componente C2 que se necesita para hacer
una unidad del producto. La materia prima P 2 tiene el 40 % del componente C1 y
material sustituto de componente C2 en equivalente al 5 % de los requerimientos para
hacer una unidad de producto. Cuantas unidades de cada materia prima se necesitan
para hacer un pedido de 300 unidades del producto? Demuestre geometricamente que
nuestro problema tiene una solucion u
nica.
2.12.
Planos
2.12. PLANOS
77
~
N
78
2.12. PLANOS
79
c) Halle el plano que pasa por (1, 4, 3) y que tiene por vector normal a (6, 3, 8).
d) Halle el plano que equidista de los puntos P (1, 1, 1) y Q(2, 3, 5).
e) Halle la ecuacion del plano que esta por encima del plano x + y + z = 1 y que
esta exactamente a 5 unidades de distancia de este.
192. Ejemplo
y R(1, 0, 0).
0
0
1
x
x
y =
y = x 0 + y 1 + 0 .
5
4
3
3x + 4y 5
z
Esta ecuaci
on tiene la forma general que define la ecuaci
on vectorial del plano:
~ = ~u + ~v + P~
X
En el ejemplo considerado ~u = (1, 0, 3) (en forma de columna), ~v = (0, 1, 4) y
~
P = (0, 0, 5).
~ est
La ecuaci
on vectorial del plano nos dice que X
a en el plano que pasa por el punto
P~ y que es generado por los vectores ~u y ~v . Dando diversos valores a y a vamos
obtenemos diversos puntos del plano y todo punto del plano se obtiene de esta forma.
Por esto decimos que el plano tiene dos grados de libertad, dos par
ametros libres, lo
cual ya se saba de antemano pues la ecuaci
on de un plano ax + by + cz = d tiene 3
inc
ognitas y una sola restriccion, por lo que quedan dos inc
ognitas libres, a las cuales
80
se les puede dar cualquier valor. Que todo esto sirva para tener muy presente que la
ecuaci
on ax + by + cz = d no es y no puede ser la ecuaci
on de una lnea en 3D.
Si consideramos el plano o , que pasa por el origen, que consiste de todos los puntos
~ = ~u + ~v , podemos decir que 1 es igual a o trasladado el vector P~ .
X
195. Ejercicio Encuentre las ecuaciones parametricas de los planos hallados en el
ejercicio anterior.
El problema de hallar el vector normal a otros dos ocurre con frecuencia. Para
esto podemos utilizar el producto punto. Pero existe para R3 una manera estandar de
hacerlo y se denomina producto cruz.
196. Definici
on. En R3 , el producto cruz o producto vectorial entre dos
vectores ~v = (v1 , v2 , v3 ) y w
~ = (w
~ 1, w
~ 2, w
~ 3 ) es un vector notado ~v w
~ y definido por
~v w
~ = (v2 w3 v3 w2 , (v1 w3 v3 w1 ), v1 w2 v2 w1 ).
Notemos que en la coordenada i falta el subndice i y que hay antisimetra (reversa
el signo) en cada coordenada.
197. Teorema y ejercicio. El producto cruz entre dos vectores ~v , w
~ de R3 cumple
las propiedades:
a) Es anticonmutativo, ~v w
~ = w
~ ~v
b) Es perpendicular a ambos vectores, (~v w)~
~ v , (~v w)
~ w.
~
c) Su norma es igual al
area del paralelogramo determinado por los dos vectores,
||~v w||
~ = ||~v || ||w||
~ sen , donde es el
angulo entre ~v y w.
~
d) Si ~i = (1, 0, 0), ~j = (0, 1, 0), ~k = (0, 0, 1) son los generadores de las direcciones
positivas de los ejes coordenados X, Y, Z respectivamente, entonces ~i ~j = ~k. Lo
que se enfatiza es que ~i ~j es ~k y no es ~k y se dice que el producto cruz define
una orientaci
on llamada de la mano izquierda que es la orientaci
on usual de R3 .
En general, se forma un trpode de la forma que ~v va en el pulgar, w
~ va con el dedo
del corazon y ~v w
~ va con el ndice, todos los dedos son de la mano izquierda.
Demostraci
on: ejercicio.
198. Ejercicio Rehaga el ejercicio 193 usando el producto cruz. De las tres maneras
posibles de resolver este ejercicio (por reemplazo, por producto punto y por producto
cruz), cu
al es mas f
acil?
199. Ejercicio Paula y Ricardo compraron su lote y se dispusieron a techarlo. El
lote est
a determinado por lneas que pasan por los puntos siguientes (0, 1), (1, 0), (2, 0),
(0, 2). Pusieron una columna de 3 metros en (0, 1) y otra en (1, 0), pero sobre los
otros dos puntos pusieron columnas de 5 metros. Mandaron a hacer la vigas metalicas,
asumiendo que el techo resultara un plano. Las armaron y todo sali
o bien: el techo
empalm
o perfectamente con las columnas. Por favor, averig
ue las longitudes de las
vigas y el area del techo. Pero resulta que Alejandro y Manuela compraron el lote de
2.12. PLANOS
81
al lado, rectilneo, con esquinas con coordenadas (2, 0), (0, 2), (4, 0), (0, 5). Sobre los
primeros dos puntos pusieron columnas de 3 metros, y en los dos u
ltimos pusieron
columnas de 5 metros. Mandaron a hacer las vigas en la misma parte que sus vecinos
Paula y Ricardo, las transportaron al lote, las soldaron en el suelo, que era muy plano, y
quedo un gran marco plano, pero al tratar de montarlo sobre las columnas no cuadro ni
porque le dieron mucho martillo. Ellos llegaron a la conclusi
on de que el lote era de
mala suerte y lo pusieron en venta y lo vender
an as le pierdan el 30 % del costo. En
realidad, la operaci
on de montaje coincidi
o con el u
ltimo da de octubre. Diga si lo que
ellos cuentan puede ser cierto y en ese caso explique el misterio (por que a Paula y
Ricardo les funciono todo y a ellos no?) y deles un consejo.
La definicion de proyeccion y su relacion con distancias desarrollada para el plano es
valida para cualquier dimension. Veamos como se utiliza en el espacio tridimensional.
200. Ejemplo
x + 2y + 3z = 6.
~
N
~.
de P Q sobre N
Encontremos un punto cualquiera Q sobre el plano. Digamos x = 1, y = 1 y por
tanto z = 1. El punto sobre el plano es Q = (1, 1, 1). El segmento de P a Q es
~ al plano es N
~ = (1, 2, 3).
P Q = (1, 1, 1) (4, 5, 6) = (3, 4, 5). El vector normal N
En resumen: d = |CompN~ P Q|
Luego:
82
= 26/ 14.
Es necesario tener en cuenta que los vectores estan todos anclados en el origen.
Pero los podemos representar en cualquier punto del espacio por clones adecuados que
son segmentos dirigidos. Si los angulos y magnitudes se conservan, todo quedara bien.
201. Ejercicio Rehaga el ejercicio anterior utilizando la nocion de componente.
202. Ejercicio Encuentre la distancia d del punto al plano:
a) (4, 5, 6), x 2y + 4z = 6
b) (1, 0, 1), 2x + 3y + 2z = 6
c) (0, 2, 3), 3x 5y 2z = 6
d) (2, 3, 4), 2x + 2y 5z = 6
e) (3, 1, 0), x y 7z = 6.
Ahora podemos encontrar la distancia entre dos planos paralelos.
203. Ejemplo Encontremos la distancia entre dos planos paralelos. El primero es
x + 2y + 3z = 6 y el segundo x + 2y + 3z = 32.
Aclaremos que estos dos planos son paralelos porque tienen el mismo vector normal
~
N (1, 2, 3). En general, dos planos son paralelos ssi (si y s
olo si) sus vectores normales
son paralelos, es decir, el uno es m
ultiplo del otro.
El punto (4, 5, 6) pertenece al segundo plano. Por tanto, la distancia entre los dos
planos es igual a la distancia entre el plano x + 2y + 3z = 6 y el punto (4, 5, 6).
Afortunadamente, nosotros ya resolvimos
este problema en el ejemplo 200. Luego la
2.13.
Lneas y planos en R3
La idea de lnea es seguir siempre en la misma direccion. Veamos como se implementa esto en tercera dimension y como se resuelven problemas con planos y rectas.
Amable lector, si usted siente que va encontrando mucha redundancia, es que usted ya
va entendiendo bastante. Nos alegra mucho.
205. Definici
on. Una lnea L en R3 que pasa por el origen es simplemente el
conjunto de todos los vectores que resultan de multiplicar uno dado, llamado director,
por todos los escalares posibles.
83
Ejemplo Especifiquemos la lnea que pasa por el origen y por el punto (2, 3, 7).
~ :X
~ = (2, 3, 7) con R}
En este caso, L = {X
~
es decir X(x, y, z) L ssi R tal que
(x, y, z) = (2, 3, 7) = (2, 3, 7).
Como es natural, la igualdad tiene sentido coordenada por coordenada, por lo tanto,
con R:
x = 2
y = 3
z = 7
A este sistema de ecuaciones con un grado de libertad se le denomina las ecuaciones param
etricas de una recta. Dando diferentes valores a vamos obteniendo
puntos sobre la lnea. Por ejemplo, para
= 0 obtenemos el punto de la recta (0, 0, 0),
= 1 obtenemos el punto (2, 3, 7),
= 1 obtenemos el punto (2, 3, 7).
Tambien podemos probar que el punto (6, 8, 9) no esta en la recta, pues debe
cumplirse que 6 = 2, por lo que = 3. Pero tambien, 8 = 3, lo cual no se cumple
con = 3.
207. Ejercicio Describa las ecuaciones parametricas de las lneas que pasan por el
origen y ademas por el punto
a) (1, 1, 4)
b) (1, 2, 2)
c) (2, 3, 1)
Hemos considerado lneas que pasan por el origen. Ahora pasemos a lneas que
pasan por cualquier otro punto.
~
208. Definici
on. Una lnea que pasa por el punto P~ y tiene vector director D
~ tales que el segmento que parte desde P~ y llega hasta X
~
es un conjunto de puntos X
~ Es decir, X
~ P~ = D
~ o lo que es lo mismo
es un m
ultiplo del vector director D.
~
~
X = P + D. Esta u
ltima ecuaci
on se interpreta as: para llegar desde el origen hasta
~ de la lnea, llegue desde el origen hasta el punto P~ , quiebre en la direccion
el punto X
~ y camine la proporcion de D
~ que necesite, , hasta llegar a X.
~
de D
~
D
X
Figura 2.34. Una lnea esta determinada por un punto P y una direccion que puede
~ llamado director.
ser la de un vector D
84
209. Ejemplo Hallemos la lnea que pasa por (5, 6, 7) y tiene como vector director
a (2, 3, 7).
~
Solucion: X(x,
y, z) L ssi R tal que (x, y, z) (5, 6, 7) = (2, 3, 7), o bien,
(x, y, z) = (2, 3, 7) + (5, 6, 7) = (2 + 5, 3 + 6, 7 + 7). Como la igualdad tiene sentido
coordenada por coordenada, tenemos:
x = 2 + 5
y = 3 + 6
z = 7 + 7
A estas ecuaciones se les llama ecuaciones parametricas de la recta, y a el
par
ametro.
210. Ejemplo Hallemos las ecuaciones parametricas de la lnea que pasa por los
puntos (1, 2, 3) y (4, 5, 6).
Solucion: necesitamos hallar el vector director. El vector que va de un punto al otro
~ = (4, 5, 6) (1, 2, 3) = (3, 3, 3). Como la lnea pasa por (1, 2, 3) la
nos puede servir, D
ecuacion de la lnea es
(x, y, z) = (1, 2, 3) + (3, 3, 3).
Por tanto, con como real, las ecuaciones parametricas de la recta son
x = 3 + 1
y = 3 + 2
z = 3 + 3
Cuando estudiabamos lneas en el plano, pudimos despejar el parametro sin problema alguno. Cuando se trata de lneas en el espacio hay que tener mas cuidado. Por
ejemplo, despejemos de las ecuaciones parametricas dadas por
x = 2 1
y = 3 8
z = 7 1
Si despejamos de las dos primeras ecuaciones nos queda 3x 2y = 3 + 16 y si
lo hacemos de la segunda y de la tercera queda 7y 3z = 56 + 3. En el espacio estas
ecuaciones representan planos y no lneas, pues ambas son de la forma ax + by + cz = d
con tres incognitas y solo una restriccion, es decir, con dos incognitas libres. Tenemos
entonces que una lnea en 3D se puede entender como la interseccion de dos planos.
Otra manera de escribir lo mismo es despejando de todas las ecuaciones e igualando:
(x + 1)/2 = (y + 8)/3 = (z + 1)/7
A este tipo de escritura se le llama las ecuaciones sim
etricas de una recta en 3D.
La primera igualdad da un plano y la segunda otro plano, una lnea es la interseccion
de dos planos.
En general, si una recta pasa por el punto Po (xo , yo , zo ) y en la direccion del vector
~
D = (a, b, c) entonces la ecuacion de dicha recta puede darse en forma parametrica o
en forma simetrica. La forma parametrica es, con R:
x = xo + a
85
y = yo + b
z = zo + c
La forma simetrica es:
x xo y y o y yo
=
=
a
b
c
si a, b, y c son no nulos.
~ = Po + D,
~ la ecuacion de la recta en
Todas estas ecuaciones se obtienen de X
cualquier dimension.
211. Ejercicio Halle el vector director, las ecuaciones parametricas y las simetricas
de las lneas que pasan por
a) (1, 2, 3) y (2, 3, 4)
b) (1, 0, 2) y (2, 3, 1).
212. Ejercicio Halle el vector director, las ecuaciones parametricas y las simetricas
de las lneas que empieza en (1, 2, 3) a las 0 horas y a las 8 va en (2, 3, 4). La idea es
la de un movil que va a velocidad constante por una trayectoria que es una lnea recta.
Se debe formular una relacion entre el par
ametro y el tiempo, de tal manera que se
cumpla el horario prefijado.
213. Ejercicio Halle las lneas que son paralelas (tienen el mismo vector director)
a las lneas del ejercicio 211 pero que pasan por (2, 1, 2).
Q
M
86
Encontramos un punto Q sobre la lnea, el cual puede ser Q = (1, 2, 2). Despues
encontramos el vector ~u definido por el segmento
~ = (2, 1, 5) (1, 2, 2) = (3, 3, 7).
P Q: ~u = P~ Q
Hallamos la componente de ~u sobre la lnea, i.e., sobre el vector director de la lnea
~
D.
~
~
CompD~ (~u) = |(~u D)|/||
D||
2
2
2
d = k(3, 3, 7)k (39/ 77) = 67 39
6,87.
77
~ a la lnea cuyo vector director
215. Ejercicio Encuentre la distancia del punto Q
~ y punto P~ son:
D
~ 1, 5); D(1,
~
a) Q(1,
2, 0), P~ (1, 2, 1).
~
~
b) Q(1,
2, 4); D(2,
1, 0), P~ (2, 1, 3).
~ 1, 3); D(2,
~
c) Q(5,
0, 5), P~ (1, 3, 5).
~
~
d) Q(3,
2, 0); D(2,
1, 0), P~ (2, 1, 0).
~
~
e) Q(1,
3, 2); D(2,
3, 5), P~ (1, 4, 0).
216. Ejemplo Desarrollemos un metodo para encontrar la distancia entre dos
planos paralelos. Encontramos dos puntos, uno en cada plano. Todo lo que tenemos
que hacer es proyectar el segmento que los une sobre el vector normal. la norma de
la proyeccion es la distancia requerida, la cual es simplemente la componente en valor
absoluto.
217. Ejemplo Encontremos la distancia entre los planos 1 : x + 2y + 3z = 1 y
2 : x + 2y + 3z = 2.
N
2
P
1
87
(1,
2,
3))/
(1,2,3)
= 1/ 14 = 14/14.
La distancia d entre los dos planos es el valor absoluto de la componente, lo cual es
lo mismo.
218. Ejercicio Encuentre la distancia entre los siguientes pares de planos:
a) 3x 5y + 2z = 1, 3x 5y + 2z = 3
b) x + 3y + 2z = 3, x + 3y + 2z = 7
c) x 3y 2z = 2, x 3y 2z = 3
d) 2x + 4y 2z = 4, 4x + 8y 4z = 2
f) x 3y + 4z = 1, 3x 9y + 12z = 0.
219. Ejemplo Veamos un metodo para encontrar la distancia entre dos lneas que
no se intersecan.
Este es un ejercicio desafiante. Sin embargo, podemos aplicar un principio TRIZ
(Altshuller, 2000) que dice: una dimension mas, una salvacion mas. Esto significa que
si el mundo lo abruma a uno con su complejidad, entonces uno se ayuda con otra parte
o faceta del mundo. Cuando sea preciso, use o invente herramientas y andamios cuando
lo necesite. Miremos como se implementa este principio.
Figura 2.37. Con ayuda de dos planos paralelos podemos hallar la distancia entre
dos lneas que nunca se cortan.
88
Podemos construir dos planos paralelos, tal que uno contenga la primera lnea recta
y el otro la segunda. Juegue con dos lapices que simulen los vectores directores de las
lneas. Deslice un lapiz en forma paralelo con respecto a s mismo pero siguiendo la
direccion del otro lapiz: de ese modo, generara un plano. Deslizando el otro lapiz de
igual forma, generara otro plano. Los dos planos son paralelos y ambos tienen el mismo
vector normal. Para mas se
nas, la trada formada por los dos vectores directores y el
vector normal, son vectores mutuamente perpendiculares. Como tenemos dos planos
paralelos que contienen a las lneas, la distancia entre ellas es la misma que la distancia
entre los planos. Y eso es todo.
220. Ejemplo y ejercicio Encontremos la distancia entre las lneas en el espacio
~ 1 = (1, 1, 1), P1 = (4, 0, 1)
cuyos vectores directores y puntos son respectivamente D
~ 2 = (5, 4, 1), P2 = (5, 0, 1).
yD
Necesitamos construir el vector normal de los planos paralelos que contienen a
las lneas. El vector normal debe ser perpendicular a ambos vectores directores. Para
ello podemos utilizar el producto cruz (inmediato) o el producto punto. Utilicemos el
~ = (u, v, w) un vector normal. Tenemos: N
~ D
~1 = 0 y N
~ D
~ 2 = 0, i.e.
segundo. Sea N
(u, v, w) (1, 1, 1) = u + v w = 0
(u, v, w) (5, 4, 1) = 5u 4v + w = 0
Sumemos estas dos ecuaciones:
6u 3v = 0.
Puesto que tenemos 3 incognitas y 2 ecuaciones, debemos tener por lo menos un
grado de libertad, i.e. una variable que puede ser fijada como quiera. Sea u tal incognita
y fijemos u = 1, entonces de 6u 3v = 0 tenemos v = 2, y de u + v w = 0 tenemos
w = 3.
~ = (1, 2, 3). La ecuacion del plano
Por tanto, el vector normal a ambos planos es N
refleja el hecho de que el segmento desde un punto no especfico del plano (x, y, z) a un
punto fijo del plano es perpendicular al vector normal, por lo tanto su producto punto
debe ser cero.
La ecuacion del primer plano es (x 4) + 2(y 0) + 3(z + 1) = 0 o x + 2y + 3z = 1.
La ecuacion del segundo plano es (x 5) + 2(y 0) + 3(z + 1) = 0 o x + 2y + 3z = 2.
La distancia entre las dos lneas es precisamente la distancia entre los dos planos,
la cual fue hallada en el ejemplo 217. Observemos que al final todo se reduce a estudiar
un triangulo rectangulo determinado por tres segmentos: el primero es el determinado
por un punto sobre una lnea y otro sobre la otra lnea; El segundo es el segmento sobre
el vector normal que va de lnea a lnea, y el tercero es un segmento sobre una de las
lneas que completa el triangulo. El problema era saber por que esto funciona. Y esto
ya se entendio.
221. Ejercicio Encuentre la distancia entre los siguientes pares de lneas. Tenga
cuidado pues hay un par de lneas que son paralelas y no hemos visto antes nada igual.
Damos el vector director y el punto de la primera lnea y despues lo mismo pero para
la segunda:
89
90
227. Ejemplo Hallemos la lnea que parte de (3, 6, 12) a las cero horas, = 0,
y que pasa por (1, 3, 5) a las 3 de la tarde (cuando = 15). Averig
uemos luego
en que punto estaremos a la hora 30.
Solucion: La lnea esta en la direccion de
~ = (1, 3, 5) (3, 6, 12) = (1, 3, 5) + (3, 6, 12) = (2, 3, 7)
D
y, elaborando el punto de vista de los arboles del camino la ecuacion de la recta
sera
~ = (3, 6, 12) + (2, 3, 7).
X
Cuando = 15 esta ecuacion produce el punto (27, 39, 93). Ahora tenemos que
regular la velocidad para que una nueva ecuacion describa la misma carretera pero con
una trayectoria que pase por los puntos especificados a las horas requeridas.
La clave de todo es que si la velocidad es constante, esta puede codificarse en
uno de los posibles vectores directores. Todos los vectores directores son de la forma
~ = k(2, 3, 7) = (2k, 3k, 7k) y la ecuacion buscada es de la forma
D
~ = (3, 6, 12) + (2k, 3k, 7k).
X
Cuando = 0 este carro esta en (3, 6, 12), tal como se necesita. Cuando = 15
debemos estar en (1, 3, 5):
(1, 3, 5) = (3, 6, 12) + 15(2k, 3k, 7k) = (3, 6, 12) + (30k, 45k, 105k)
(1, 3, 5) = (30k 3, 45k 6, 105k 12)
Despejando k de la primera coordenada
k = (1 + 3)/30 = 2/30 = 1/15
Despejando k de la segunda coordenada
k = (3 + 6)/45 = 3/45 = 1/15
Despejando k de la tercera coordenada
k = (5 + 12)105 = 7/105 = 1/15 (Acaso esto pudo haberse hallado mas simplemente?)
Como todos los resultados son iguales, vamos bien. La ecuacion de la trayectoria
solicitada es
~ = (3, 6, 12) + (2k, 3k, 7k) = (3, 6, 12) + (/15)(2, 3, 7).
X
Si = 30 estamos en la posicion
~ = (3, 6, 12) + (/15)(2, 3, 7) = (3, 6, 12) + (30/15)(2, 3, 7)
X
= (3, 6, 12) + (2)(2, 3, 7) = (3, 6, 12) + (4, 6, 14) = (1, 0, 2)
a en P a la hora
228. Ejercicio Encuentre la parametrizacion de la lnea que est
cero, = 0, y pasa a traves de Q despues de t horas; encuentre la posicion a la hora
s. Los datos est
an dados en el orden P, Q, t y s.
a) (1, 2, 3), (4, 5, 6), 7, 14.
b) (1, 0, 2), (3, 5, 7), 1, 6.
c) (2, 1, 3), (1, 0, 1), 1, 6.
d) (1, 3, 1), (0, 1, 4), 1, 2.
e) (0, 1, 1), (1, 2, 0), 2, 2.
2.14. SISTEMAS 3 3
2.14.
91
Sistemas 3 3
x=0
y=0
z=0
La solucion es (0, 0, 0). Veamos de que manera tenemos 3 planos que se cortan en
un u
nico punto.
92
y=0
x=0
Y
z=0
La ecuacion z = 0 en el espacio nos representa el plano que pasa por (0,0,0) y cuyo
~ Por lo
vector normal es (0, 0, 1), esto es, el vector que apunta en direccion del eje Z.
tanto, esta ecuacion nos representa el piso o plano XY. La ecuacion x = 0 en el espacio
nos representa el plano que pasa por (0, 0, 0) y cuyo vector normal es (1, 0, 0), o sea el
~ Por consiguiente, esta ecuacion nos representa
vector que apunta en direccion del eje X.
la pared lateral derecha (uno ve el mundo desde el origen). La ecuacion y = 0 en el
espacio nos representa el plano que pasa por (0, 0, 0) y cuyo vector normal es (0, 1, 0),
es decir, el vector que apunta en direccion del eje Y~ . Por esta razon, esta ecuacion nos
representa la pared lateral izquierda. La dos paredes laterales y el piso se intersecan en
un u
nico punto (0, 0, 0). Observese que si ponemos el sistema en forma matricial queda
como
.
1 0 0 .. 0
0 1 0 ... 0
..
0 0 1 . 0
2.14. SISTEMAS 3 3
93
x=0
y=0
xy = 0
y=0
x=0
Y
xy =0
X
94
.
1 0 0 .. 0
0 1 0 ... 0
..
0 0 0 . 0
es decir, que la tercera ecuacion nos da que 0 = 0, que puede ignorarse y nos queda un
sistema con 3 incognitas y dos restricciones, el sistema tiene infinitas soluciones con un
grado de libertad, en otras palabras, es una lnea. La interpretacion es la siguiente: si
al reducir una matriz 3 3 queda convertida en una matriz con solo 2 filas o renglones,
tenemos el caso de 3 planos que se organizan como las hojas de un cuaderno y viceversa.
3) Los tres planos coinciden, son un mismo plano repetido 3 veces. Ejemplo:
z=0
2z = 0
3z = 0
las dos u
ltimas ecuaciones se simplifican y dan la primera. Esto es, las tres ecuaciones son realmente una misma ecuacion. Por lo tanto la solucion al sistema es simplemente el conjunto de puntos (x, y, z) cuya tercera coordenada es cero, o sea de la
forma
(x, y, 0) = (x, 0, 0) + (0, y, 0) = x(1, 0, 0) + y(0, 1, 0).
Todos estos puntos forman el plano que corresponde al piso, el cual tiene dos grados
de libertad, uno en direccion del eje X y otro en direccion del eje Y.
De lo dicho queda claro que al reducir el sistema por Gauss-Jordan nos quedara solo
una ecuacion, lo cual produce un problema con 3 incognitas y una restriccion: hay dos
incognitas sin especificar, hay dos grados de libertad, la solucion es un plano.
4) Los planos son paralelos y son diferentes nsin tener ning
un punto en com
un.
Ejemplo:
3 : z = 3
2 : z = 0
1 : z = 3
2.14. SISTEMAS 3 3
95
3
2
x 4y + 5z = 7
Lo que queremos hacer es un analisis geometrico que nos de certeza sobre la cantidad
de soluciones que el sistema tiene. Si la solucion es u
nica, esta representa un punto en el
espacio, si tiene muchas soluciones estas representaran, o bien, una linea en el espacio,
o bien, un plano en el espacio y si no hay solucion sera porque los planos son paralelos
entre s. Una vez sepamos eso, podemos hallar la solucion por nuestro metodo preferido,
Gauss-Jordan.
Veamos como podemos utilizar los vectores normales. El plano 2x 3y + 4z = 2
~ 1 = (2, 3, 4). El plano x y + z = 5 tiene como vector
tiene como vector normal N
~ 2 = (1, 1, 1), en tanto que el vector normal de x 4y + 5z = 7 es
normal a N
~ 3 = (1, 4, 5). Ahora bien, N
~1 + N
~2 = N
~ 3 , lo cual significa que N
~ 3 esta sobre el plano
N
~1 y N
~ 2 . Eso implica que los tres planos son perpendiculares al plano
generado por N
. Tal vez los tres planos esten organizados como las hojas de un cuaderno y la solucion
este representada por una lnea. O tal vez los planos no tengan nada en com
un entre
los tres. En conclusion, o la solucion es una lnea o es vaca. Pero no puede ser un plano
pues los vectores normales apuntan cada uno en una direccion distinta.
Ahora veamos que da el metodo de Gauss-Jordan.
Observemos que el sistema fue construido ex profeso para que la tercera ecuacion
fuese la suma de la primera con la segunda. Por consiguiente al reducir por GaussJordan, la tercera fila desaparecera. En efecto, el sistema reescrito en forma matricial
queda
96
.
2 3 4 .. 2
1 1 1 ... 5
..
1 4 5 . 7
..
2 3 4 . 2
1 1 1 ... 5
..
R1 + R2 R3
0
0 0 . 0
.
0 1 .. 13
R1 3R2 5
..
R1 + 2R2
12
0 5 6 .
..
0
0 0 .
0
.
1 0
1/5 .. 13/5
..
0 0
0 .
0
Esto dice que x + (1/5)z = 13/5 y que y (6/5)z = 12/5 y que 0z = 0, o sea,
z puede ser cualquiera. Por lo tanto,
x = (1/5)z 13/5
y = (6/5)z 12/5
z=z
esto es
1/5
13/5
x
y = 12/5 + 6/5 z
1
0
z
que es una lnea con parametro z. Su vector director es (1/5, 6/5, 1) y cuando
z = 0 pasa por el punto (13/5, 12/5, 0).
Si hubiese alguna duda sobre la fidelidad de la solucion, podramos verificarla por
reemplazo. Una vez hecho, concluimos que no hay soluciones espurias. Y nuestro analisis
previo sobre los vectores normales nos dice que no faltan soluciones.
Es muy elocuente la forma como el metodo Gauss-Jordan nos va diciendo como
son las soluciones, pues nos da una geometra facil de interpretar y nos produce todas
las soluciones, sin faltar y sin a
nadir ninguna solucion espuria. Eso sera digno de ser
probado en el caso general, y lo haremos en el captulo de la inversa.
2.14. SISTEMAS 3 3
97
x y + 4z = 2
x + y + z = 5
a)
5z = 7
3x + 5z = 7
2x 2y + 4z = 2
b)
x + 2y + z = 5
3x y + 4z = 2
2x 4y + 5z = 7
c)
x 3y + z = 5
231. Miscel
anea Resuelva los siguientes sistemas e interprete geometricamente sus
soluciones:
a) 3x + 4z = 1, 6x + 8z = 2 en R2 y en R3 .
b) 3x + 4z = 1, 6x + 8z = 2,00000001 en R2 y en R3 .
c) 3x + 4z = 1, 6x + 8z = 2, 9x + 12z = 3 en R2 y en R3 .
d) x + y + z = 0, x + y + z = 1, x + y + z = 3 en R3 .
e) x = 0, y = 0, x 3y + 4z = 3 en R3 .
f) x = 0, y = 0, x 3y + 4z = 3 en R4 .
g) x + y + z = 1, x 2y + 3z = 1, 2x y + 4z = 2 en R3 .
h) x + y + z = 1, x y + z = 1, x + y z = 1, 3x + y + z = 3 en R3 .
232. Un buen ejercicio Un sistema de ecuaciones es reducido por Gauss-Jordan
para saber el n
umero de ecuaciones independientes. Por tanto, Gauss-Jordan es un procedimiento para limpiar redundancias. Supongamos que tenemos un sistema de ecuaciones con n inc
ognitas y que despues de reducirlo nos quedan i ecuaciones independientes. Establezca un ecuaci
on que relacione el n
umero de inc
ognitas, m; el n
umero de
ecuaciones independientes, i; y el n
umero de par
ametros libres o grados de libertad del
conjunto solucion f. Por favor, ilustre su conclusi
on con ejemplos adecuados y a
nada
una explicaci
on geometrica.
233. Ejercicio Halle un polinomio de tercer grado que pase por los puntos (1, 1.5),
(1.5, 3), (2, 1), (2.5, 4).
98
2.15.
Veamos de que manera las matematicas que hemos visto nos dan la capacidad de
formular ideas muy sencillas con las que podemos tener una vision bastante profunda
sobre la naturaleza de uno de los fenomenos planetarios que mas incidencia global tiene
sobre la vida en la Tierra: las estaciones. Este tema debe dominarse a tal grado que
uno pueda contarlo a los sobrinos y a la abuelita. Explicar esto a la luz de una vela,
que simule el Sol, y ayudandose de una naranja o una pelota, que simule la Tierra,
resulta impresionante.
234. Ejercicio Proponga algunos efectos de las estaciones sobre las migraciones y
contramigraciones periodicas, sobre la variabilidad de la vida, sobre la estacionalidad
de los fen
omenos biologicos. De ejemplos con aves, mamferos, insectos, peces, plantas
silvestres y de cultivo. Tenga en cuenta que la estacionalidad de los fen
omenos botanicos
arrastra la estacionalidad de los dem
as. A
nada consideraciones sobre la conducta de
los humanos y del turismo.
Comencemos mencionando un contraste entre los buenos ciclistas y los aficionados.
A los primeros se les ve detenidos en los semaforos haciendo delicadas maniobras para
no caerse. A los aficionados eso no les funciona. En cambio ellos pueden viajar largos
trechos en bicicleta sin hacer practicamente nada. Como pueden ellos hacer eso si
solamente son aficionados? La razon es que hay una ley de la naturaleza que los favorece.
En efecto, cuando la bicicleta se mueve, las ruedas giran y lo hacen sobre un plano
vertical a la Tierra y en la direccion que uno lleve.
Puede decirse que, en cierto sentido, este sistema es estable: se necesita hacer algo
para desequilibrarlo. Esto se logra si uno se desbalancea un poquito hacia alg
un lado
y se crea lo que se llama un torque. Dicha estabilidad del plano de giro de la rueda
es lo que oficialmente se denomina como conservacion del momento angular.
Ahora bien, en vez de decir que el plano de giro se conserva, lo que se puede decir
es que el eje de giro se conserva. El eje de giro es ni mas ni menos el vector normal
al plano de giro que es el mismo plano que contiene la rueda. Este cambio de punto
de vista nos permite alargar o acortar el vector normal para dar a entender que la
estabilidad del plano de giro puede ser mayor o menor: es mas estable entre mas veloz
se vaya. El nombre tecnico de dicho vector es vector de momento angular.
Los trompos y las pirinolas se mantienen de pie mientras giran porque la interaccion
con el piso no alcanza a interferir notablemente con la rotacion y por consiguiente el
momento angular se conserva, el cual va en direccion vertical. Los trompos que no
son perfectamente simetricos pueden balancearse mientras giran: a este movimiento se
llama precesion.
Pensemos ahora en la Tierra: ella gira al rededor del Sol en una orbita elptica. Pero
al mismo tiempo, gira sobre su propio eje. Girando sobre su propio eje se origina el da
y la noche. La Tierra gira a muy alta velocidad, nosotros recorremos 40000 km cada
da. Y ademas la Tierra pesa mucho. La consecuencia es que el eje de giro de la Tierra
es muy estable. Por supuesto que no es inconmovible, pero es muy estable.
99
Resumimos todo diciendo que la direccion y la magnitud del vector momento angular se conservan mientras la Tierra recorre su orbita.
z
Como podemos saber la direccion del eje de giro de la Tierra? Veamos de que manera se puede medir muy sencillamente y as explicar un hecho simple pero espectacular:
si una pared, o una casa, orientada de oriente a occidente es iluminada por el Sol por
el sur, con toda seguridad el Sol la iluminara a los seis meses por el norte. Y viceversa.
En Bogota, una pared orientada de oriente a occidente es iluminada en noviembre por
el sur y en mayo por el norte.
Luz solar
Pared
100
pero a veces es mucho. El angulo maximo de inclinacion del Sol con respecto al poste
corresponde a una situacion en la cual el poste de la luz, el eje de giro y el Sol estan
sobre el mismo plano.
En ese instante puede medirse el angulo, a medio da, entre el poste de la luz y el
rayo de Sol, y dicho angulo es el que esta entre el eje de giro de la Tierra y la normal al
plano orbital. Este resultado se basa en un hecho geometrico importante: cuando dos
angulos agudos tienen lados perpendiculares, ellos miden exactamente lo mismo.
A
B
Rayo de Sol
Poste
101
iluminado por el Sol, este polo esta en invierno. El polo cercano al Sol esta siendo
fuertemente iluminado, este polo esta en verano. Por eso se puede cultivar papa en
latitudes exageradas de Siberia, el Sol nunca se oculta y la papa puede crecer y dar
fruto en los tres meses que dura el verano.
En realidad, las estaciones no duran cada una tres meses, la orbita es elptica y el
Sol esta en uno de sus focos. Cuando la Tierra esta mas cerca del Sol, esta recorre su
orbita deprisa (para no caerse). Pero cuando la Tierra esta alejada, la orbita es recorrida
lentamente. Por lo tanto, las estaciones cerca del Sol son cortas. Las estaciones alejadas
del Sol, son largas. Midiendo este desbalance podra estimarse la excentricidad de la
elipse orbital.
Por otro lado, en el verano los das son largos y en el invierno son cortos. Dara la
impresion de que la Tierra girara mas despacio en verano y mas rapido en invierno.
Como puede suceder si el momento angular de la Tierra se conserva y ella siempre
gira a la misma velocidad angular? Considere la siguiente explicacion: debido a que la
inclinacion del eje de giro de la Tierra no es nula, en casi todos los das hay un hemisferio
que no solo esta mas cerca del Sol sino que, ademas, tiene una area iluminada mayor
que la del otro. Es decir, tomando un paralelo a la altura de Mexico en verano, no
son 180 los grados iluminados sino que son 200 o mas. Por lo tanto, un punto sobre la
superficie al ir girando permanecera mas tiempo a la luz que en la oscuridad. Los das
son mas largos en verano que en invierno. No es esta una razon para insinuar que los
lazos familiares entre los habitantes, de todas las especies, de altas latitudes deberan
ser mas fuertes que entre sus homologos del tropico? Sera cierto?
Y ahora viene algo preocupante: cuando el Sol se ve al medioda en enero, la casa
mira hacia la izquierda.Pero en junio, al medioda la casa mira hacia la derecha.Por
lo tanto, hay 12 horas de diferencia entre estos dos mediodas y no 24 como debiera
ser. Estas doce horas alargan los das de verano y acortan los de invierno. Que efecto
podra tener este hecho?
La intrigante sencillez que hemos promovido se ha conseguido a un alto precio
pagado a lo largo de muchas generaciones. En particular, la presesion de la tierra fue
estudiada cuantitativamente por Hiparco hacia el 125 antes de nuestra era, pero solo
con Newton pudo ofrecerse una explicacion del porque. Aristarco pudo lograr lo que
hizo porque se nutrio de una cultura muy desarrollada que ya saba, por ejemplo, como
medir la distancia de la Tierra tanto a la Luna como al Sol, algo que fue desarrollado
por Aristarco de Samos hacia el a
no 250 a. J. C. (Gran Enciclopedia Larousse, 1983).
2.16.
Ejercicios de repaso
102
1 1 t
todo R3 , siendo A = 1 t 1 .
t 1 1
~
~ 3, 4), en R3 . Halle:
4. Considere los puntos A(2, 2, 1), B(1,
0, 3) y C(5,
a) Las ecuaciones simetricas de la recta L que pasa por los puntos A y C.
b) La ecuacion del plano que contiene a los puntos A, B y C.
c) El area del triangulo cuyos vertices son A, B y C.
d ) Distancia del punto (2, 3, 4) al plano .
e) Punto de interseccion de la recta L y el plano .
5. Considere el paraleleppedo generado por los vectores ~u = (1, 4, 1), ~v = (1, 4, 0)
yw
~ = (6, 6, 8) con uno de sus vertices en el punto A(3, 3, 0).
a) Halle las coordenadas de los 7 vertices restantes.
b) Determine las coordenadas del punto medio del paraleleppedo.
c) Halle la ecuacion de la recta que pasa por dos vertices opuestos del paraleleppedo.
d ) Halle la ecuacion del plano que contiene a la cara superior del paraleleppedo.
e) Halle la distancia entre el punto medio del paraleleppedo y una de sus caras.
f ) Halle el area de una de las caras del paraleleppedo.
g) Determine el volumen del paraleleppedo.
h) Halle la ecuacion del plano que esta 5 unidades por encima de la cara superior
del paraleleppedo.
i ) Halle la ecuacion de la recta que se encuentra en la cara superior del paraleleppedo y que dista 5 unidades de una de las aristas de la cara superior.
6. Encuentre la ecuaci
on de la recta que pase por el punto (2, 3, 4) y que sea paralela
xy+z =1
a los dos planos
2x + y 3z = 2
7. Hallar el punto Q del plano : 2x + 2y + z = 1 mas cercano al punto P (9, 7, 3).
8. Encuentre las ecuaciones parametricas del plano en R3 que pasa por los puntos
(1, 0, 0), (0, 1, 0) y (0, 0, 1).
9. Encuentre una ecuacion lineal simple en tres variables cuyo conjunto solucion sea
exactamente el plano dado en el inciso a).
10. Sea H = {(x, y, z): x + y = 0} y sea ~v = (1, 1, 1). Hallar:
a) H .
b) ProyH ~v .
c) ProyH ~v .
2.17. RESUMEN
2.17.
103
Resumen
La capacidad de analisis visual de los mamferos es algo tan maravilloso, tan eficiente, tan poderoso, que la tecnologa moderna a duras penas ha podido imitarla. La
geometra es la plataforma que convierte ese poder visual en una herramienta muy
eficaz para el analisis de sistemas lineales (y no lineales). Hemos desarrollado el tema
para dos y tres variables, lo cual nos indujo a considerar rectas y planos. Pudimos
constatar que al interpretar un sistema de ecuaciones en terminos de planos o rectas,
uno puede predecir si la solucion es u
nica o si hay infinitas soluciones sobre una recta o
si quedan sobre un plano o si no hay solucion. De esa manera, uno sabe de antemano la
forma de la solucion, la cual puede hallarse por cualquier metodo. Uno quisiera pensar
que lo dicho de alguna manera se extrapola para problemas con mas de 3 variables. La
verdad es que esta intuicion necesita ser elaborada y es un objetivo que enfrentaremos
en proximos captulos.
104
CAPITULO
3
EL DETERMINANTE
3.1.
Idea fundamental
CAPITULO 3. EL DETERMINANTE
106
~1
N
~2
N
~2
N
~1
N
Paso 2. Las lneas son paralelas, si lo son los vectores normales y las lneas no son
paralelas, si sus vectores normales no lo son. En nuestro ejemplo, los vectores normales
no son paralelos, por lo tanto, ya conocemos la respuesta: las lneas se cortan en un
u
nico punto y por consiguiente nuestro sistema tiene solucion u
nica. Veamos como
obtenemos la misma respuesta por el determinante.
Paso 3. Para saber si dos vectores son paralelos, formamos con ellos un paralelogramo y calculamos su area, a la cual vamos a llamar determinante: si el determinante
es cero, son paralelos, si el determinante no es cero, no son paralelos.
Paso 4. Cada lnea tiene una infinidad de vectores normales, pero que el determinante asociado a un sistema 22 sea cero o no, es algo que no depende de la escogencia
de los vectores normales.
Paso 5. Si el area del paralelogramo determinado por los vectores normales es diferente de cero, entonces el determinante es diferente de cero. En ese caso, el sistema
representado por las lneas tiene solucion u
nica. Pero si dicha area es cero, las lneas
son paralelas y puede ser que nunca se corten, en cuyo caso la solucion es vaca; o que
las lneas coincidan, y en ese caso hay infinitas soluciones todas sobre la recta dada.
Paso 6. Por lo tanto, si el determinante es diferente de cero, hay solucion u
nica. Si
el determinante es cero, la solucion no es u
nica, puede ser porque no exista solucion o
puede ser porque haya infinidad de soluciones.
Paso 7. Como todo depende del area del paralelogramo generado por los vectores
normales, pues debemos calcular dicha area. Lo haremos en la siguiente seccion, pero
pondremos la mira en sistemas lineales n n cualesquiera. Alla no tendremos area
sino volumen generalizado, que tambien puede llamarse determinante (aunque hay una
peque
na diferencia).
3.2.
Paraleleppedos = plps
107
Una cara esta determinada por dos vectores pues las aristas opuestas son segmentos
paralelos a los vectores dados. Por lo tanto, si se enuncian las aristas o vectores que
salen de un vertice cualquiera, quedaran generadas todas las caras que salen de dicho
vertice y ademas, todas las otras caras del plp se construyen por paralelismo. Por lo
tanto, un plp esta completamente descrito por las aristas que parten de un vertice
dado.
236. Definici
on. Un n-plp P anclado en el origen de Rn es un conjunto ordenado
de n vectores P = [~u1 , ..., ~un ], que son las aristas que parten del origen. Ordenamos
las aristas diciendo cual es la primera, la segunda,...Observemos que en esta definicion
s
olo tenemos las aristas. Uno tambien puede rellenar las caras o rellenar todo el plp. Si
~ P relleno ssi X
~ = 1~u1 + ... + n~un
queremos rellenar todo el plp, se procede as: X
donde los escalares i pueden tomar valores entre cero y uno.
CAPITULO 3. EL DETERMINANTE
108
(a + c, b + d)
b
c
(c, d)
d
(a, b)
a
c
b
a+c
109
= ad bc.
Calcular este n
umero por geometra para que represente el volumen de una caja
es todo un reto que cada quien puede enfrentar. Pero en realidad eso es bastante mas
complicado y menos general que el siguiente proceso algebraico.
244. Teorema. El 2-det tiene las siguientes propiedades:
a) Det(~u, ~u) = 0, un plp generado por un solo vector tiene volumen cero.
b) Det(~u, ~v ) = Det(~u, ~v ), si se alarga una arista del plp, su volumen se amplifica
consecuentemente.
c) Det(~u, ~v ) = Det(~v , ~u), una permutacion de los vectores o aristas cambia el
signo. Se dice que el determinante es una funcion alternada.
d) Det(~u, ~v + w)
~ = Det(~u, ~v )+Det(~u, w),
~ la suma en cada entrada del determinante
se reparte. Teniendo en cuenta esta propiedad y la b, se dice que el determinante es
multilineal.
CAPITULO 3. EL DETERMINANTE
110
Det
2 4
6 8
2 4
6 8
= 16 24 = 8
1 2
1 2
= 2(4 6) = 4.
= 2Det
= Det 2
3 4
3 4
247. Definici
on. El determinante es un n
umero asociado a un n-plp y que goza
de la generalizaci
on natural de todas las propiedades dadas en el teorema 244 para 2D.
248.
Ejemplo
111
Det(P ) = Det(a~i + b~j + c~k, d~i + e~j + f ~k, g~i + h~j + i~k)
=Det(a~i, e~j, i~k)+ Det(a~i, f ~k, h~j)+ Det(b~j, d~i, i~k)+ Det(b~j, f ~k, g~i)+
+Det(c~k, d~i, h~j)+ Det(c~k, e~j, g~i).
Sacamos las constantes:
= aeiDet(~i, ~j, ~k)+ af hDet(~i, ~k, ~j)+ bdiDet(~j,~i, ~k)+ bf gDet(~j, ~k,~i)+
+cdhDet(~k,~i, ~j)+ cegDet(~k, ~j,~i).
Permutemos los vectores para convertirlos en un cubo unitario con determinante
positivo:
aeiDet(~i, ~j, ~k) = aei
af hDet(~i, ~k, ~j) = af hDet(~i, ~j, ~k) = af h
bdiDet(~j,~i, ~k) = bdiDet(~i, ~j, ~k) = bdi
bf gDet(~j, ~k,~i) = bf gDet(~j,~i, ~k) = bf gDet(~i, ~j, ~k) = bf g
cdhDet(~k,~i, ~j) = cdhDet(~i, ~k, ~j) = cdhDet(~i, ~j, ~k) = cdh
cegDet(~k, ~j,~i) = cegDet(~k,~i, ~j) = cegDet(~i, ~k,~i) = cegDet(~i, ~j, ~k)
= ceg.
Resumiendo:
Det(P ) = Det(a~i + b~j + c~k, d~i + e~j + f ~k, g~i + h~j + i~k)
= aei af h bdi + bf g + cdh ceg = a(ei f h) d(bi ch) + g(bf ce).
Lo anterior se puede reescribir de una manera muy nemotecnica, si se entiende que
el determinante de las matrices con estrellas es el determinante de las matrices 2 2
que quedan al quitar las estrellas:
a
Det(P ) = b
c
dDet b
= aDet e h
c
f i
d g
e h
f i
h + gDet b e
c f
i
2Det 1
= 1Det 3 5
6
2 4
2 3
3 5
2 4
5 + 3Det 1 3
6 2
4
112
CAPITULO 3. EL DETERMINANTE
250. Definici
on. El determinante de una matriz n n es el determinante del
n-plp definido por las columnas de la matriz. De esta forma podemos identificar una
matriz con el plp formado por sus columnas.
251. Ejercicio Calcule los siguientes determinantes.
1
0 3
a) 1 3 5
6
1 4
7
5 3
b) 1 3 3
2
0 5
1
2
3
2
c) 7 8
1 1
1
1
0
3
d) 0 3 0
6 1 4
113
253. Ejercicio Hemos definido el determinante de una matriz nn como el Det del
n-pln definido por sus columnas. Pero las matrices vienen de sistemas de ecuaciones
y nosotros introdujimos los determinantes para que representaran el volumen del n-plp
formado por los vectores normales a cada lnea, plano o correspondiente generalizaci
on.
Dichos vectores normales pueden leerse directamente en los renglones de la matriz y
no en las columnas. Acaso definimos mal el determinante de una matriz?
Nos interesa el determinante para decidir si un sistema de ecuaciones tiene solucion
u
nica o no. Una de las formas como esa decision puede justificarse es como sigue:
Cada ecuacion de un sistema de n ecuaciones con n incognitas representa una entidad geometrica llamada hiperplano. En un sistema nn uno considera la interseccion
de n hiperplanos. Si ellos se cortan en un u
nico punto, el sistema correspondiente tiene
solucion u
nica. Si hay al menos dos de ellos paralelos, pero que no se toquen, la solucion
es vaca. Si todos los hiperplanos coinciden, la solucion es el hiperplano de coincidencia.
Para determinar la forma de interseccion entre los hiperplanos, calculamos el determinante del n-plp formado por los vectores normales asociado al conjunto de hiperplanos.
Si dicho volumen es cero, hay paralelismo entre los vectores normales y, por tanto, o
hay una infinidad de soluciones o no hay solucion. Si dicho volumen no es cero, los
hiperplanos van cada uno por su lado y, por lo tanto, se cortan en un u
nico punto y la
solucion al sistema es u
nica.
En cierta forma, ya hemos terminado de ver la teora referente a sistemas lineales
con una u
nica solucion. Eso se debe a que una vez sepamos que la solucion es u
nica,
uno puede buscarla por cualquier metodo, reemplazar para verificarla y olvidarse de
soluciones espurias. Pero cuando la solucion no es u
nica, nos queda por averiguar si las
soluciones quedan, por ejemplo, sobre un plano o si quedan sobre una lnea o si no hay
solucion. Por eso que la teora de sistemas lineales es algo que nos va a llevar tiempo y
requerira nuevos puntos de vista que elaboraremos a partir del proximo captulo.
254. Ejercicio Asocie un sistema de ecuaciones a cada una de las matrices del
ejemplo 251 y prediga si dicho sistema tiene solucion u
nica o no.
Seg
un hemos visto, el determinante es un n
umero, un escalar, que determina si la
solucion de un sistema lineal es u
nica o no. Usando el mismo protocolo que en el calculo
del determinante, uno puede asociar a un par de vectores en el espacio 3D un tercer
vector, llamado producto cruz, que es perpendicular a los dos primeros. En el protocolo
del producto cruz usamos los smbolos ~i, ~j, ~k para indicar vectores de largo uno en las
direcciones de los ejes coordenados.
255. Notaci
on para el producto cruz. Sea ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ),
notamos el producto cruz entre esos dos vectores mediante el siguiente simbolismo:
~i ~j ~k
~u ~v = Det u1 u2 u3
v1 v2 v3
Recalquemos que en el primer renglon hay vectores, pero en los otros dos van
coordenadas. Por eso, lo que nuestra definicion dice es que se calcule simbolicamente
CAPITULO 3. EL DETERMINANTE
114
este determinante usando las mismas reglas del determinante ordinario, pero que el
resultado se interprete como un vector, cuyas componentes son las siguientes:
~u ~v
~u
~v
= ~iDet u2 u3 ~jDet u1 u3 + ~kDet u1 u2
v1 v2
v1 v3
v2 v3
~i
1
4
~j
2
5
~k
3
6
= ~iDet 2 3 ~jDet 1 3 + ~kDet 1 2
4 5
4 6
5 6
257. Ejercicio Demuestre que el producto cruz cumple las propiedades siguientes:
a) Si los dos vectores que se van a multiplicar estan en el plano XY, la tercera coordenada es cero y el producto cruz coincide con el determinante de los vectores
considerados como elementos del plano (con dos coordenadas). En ese caso, demuestre que k~u ~v k = k~uk ||~v k sen , donde es el angulo entre los dos vectores, lo
cual da el area del plp expandido por los dos vectores.
115
b) Sin un solo calculo, demuestre que para cualquier par de vectores del espacio se
cumple que k~u ~v k = k~uk ||~v k sen .
c) Demuestre que el 3-volumen de un 3-plp [~u, ~v , w],
~ que es igual al valor absoluto de
su determinante, tambien es igual al valor absoluto de (~u ~v ) w.
~
258. Ejemplo y ejercicio Cuando el determinante de la matriz asociada a un
sistema de n ecuaciones de n inc
ognitas es diferente de cero, el sistema tiene solucion
u
nica. Dicha solucion puede escribirse en terminos de determinantes. Para un sistema
2 2 de la forma
ax + by = m
cx + dy = n
la solucion puede escribirse como:
m
Det
n
x=
a
Det
c
b
d
b
d
a
Det
c
y=
a
Det
c
m
n
b
d
260. Ejercicio Invente ejercicios que ilustren los descubrimientos hechos en el ejercicio anterior.
261. Ejercicio Demuestre que el determinante de una matriz escalonada superior
(que tenga ceros abajo de la diagonal) es el producto de los elementos de la diagonal.
262. Intriga Debido a que en las aplicaciones uno puede encontrarse con sistemas
de muchas variables, vale la pena preguntarse cual podra ser una manera eficiente
de calcular determinantes de matrices grandes. A la luz del resultado del ejercicio anterior, valdra la pena escalonar la matriz original (se transforma por Gauss-Jordan
en otra que tenga ceros debajo de la diagonal). El determinante de la matriz original seguramente este relacionado con el determinante de la matriz escalonada. Pero,
c
omo?
La orientaci
on tiene importancia en muchas
areas de la ciencia. La idea
de determinante surgio de la necesidad de calcular vol
umenes de plps en cualquier
dimension. Por eso siempre habamos tomado el valor absoluto del determinante y el
signo lo ignorabamos. Pero en realidad, el signo del determinante tiene una utilidad
sin igual y es que distingue la mano derecha de la izquierda.
116
CAPITULO 3. EL DETERMINANTE
117
3.3.
Ejercicios de repaso
1. Use la geometra del determinante para decidir si los siguientes sistemas tienen
solucion u
nica o no. Por favor, haga graficas adecuadas que demuestren la naturalidad de todos los conceptos utilizados.
(a) x = 1, y = 2.
(b) x y = 2, 2x 9y = 5.
(c) x + y = 1, 2x 3y = 4.
(d) x = 0, y = 0, z = 0.
(e) x = 1, y = 1, z = 1.
(f) x + y + z = 1, x y + z = 2, x y z = 3.
2. Sea A una matriz 4 4 con Det(A) = 3, halle Det(2A).
3. Sean A, B matrices 4 4 con Det(A) = 3 y Det(B) = 8. Halle Det(2A + 9B).
4. Calcule el volumen del plp generado por los 3 vectores: (1, 1, 1), (2, 1, 3), (1, 3, 1).
Use dos metodos, el del determinante y el otro que utiliza tanto el producto cruz
como el producto punto.
5. Halle por el metodo de Kramer las soluciones a los sistemas de ecuaciones del
punto uno.
CAPITULO 3. EL DETERMINANTE
118
3.4.
Resumen
CAPITULO
4
DEPENDENCIA E INDEPENDENCIA LINEAL
4.1.
Combinaciones lineales
Los elementos del plano R2 se notan (x, y) que de acuerdo con Descartes inmediatamente dan la posicion donde queda dicho elemento. Hagamos la siguiente observacion:
(x, y) = (x, 0) + (0, y) = x(1, 0) + y(0, 1)
lo que esto significa es que cualquier punto del plano XY es simplemente un resultado de combinar apropiadamente el conjunto de vectores {~i = (1, 0), ~j = (0, 1)}. En el
presente contexto, combinar vectores significa simplemente multiplicar por constantes
y sumar.
En general, los vectores pueden sumarse, y un vector cualquiera puede multiplicarse por una constante. Por ahora, no tenemos ning
un modo general de multiplicar
vectores en cualquier EV de tal forma que el resultado del producto sea un vector. Hay
que advertir que nosotros hemos considerado el producto interno pero tal producto da
n
umeros y no vectores; tambien consideramos el producto cruz, pero lo definimos por
119
120
una construccion que tena sentido solo en 3 dimensiones. As que no tenemos multiplicacion de vectores ni mucho menos division. Con lo permitido hasta ahora, dados
dos vectores ~u, ~v todo lo que puede hacerse se reduce a multiplicarlos por un escalar y
luego sumarlos, produciendo as lo que llamamos una combinaci
on lineal de los dos
vectores. Especficamente tenemos:
264. Definici
on. Dado un conjunto de vectores B = {~v1 , ~v2 , ..., ~vn } de un espacio
vectorial V , una combinaci
on lineal de B es una expresi
on del tipo
w
~ = 1~v1 + 2~v2 + ... + n~vn con 1 , 2 , ..., n n
umeros reales.
265. Ejemplo y contraejemplo El vector (2, 13) es combinacion lineal del conjunto B = {(1, 3), (4, 5)} pues 6(1, 3) (4, 5) = (6, 18) (4, 5) = (2, 13) (se sobreentiende
que estamos trabajando en R2 ). Sin embargo, el vector (1, 1) no es combinacion lineal
del conjunto B = {(1, 0), (3, 0)} pues si as fuese, existiran constantes y tales que
(1, 1) = (1, 0) + (3, 0) lo cual implicara que (1, 1) = ( + 3, 0) de donde se deduce,
mirando las segundas coordenadas, que 1 = 0 lo que es una contradiccion.
266. Definici
on. Dado B subconjunto finito de un espacio vectorial V, el conjunto
generado por B es el conjunto que re
une todas las combinaciones lineales que se pueden
hacer con los elementos de B y se nota gen(B).
267.
La igualdad
(x, y) = (x, 0) + (0, y) = x(1, 0) + y(0, 1), donde x, y son reales,
dice que el plano R2 es el conjunto de todas las combinaciones lineales de {~i, ~j} o que
el plano es generado por el conjunto de vectores {~i, ~j}. Cuando x > 0, y > 0 se genera
el primer cuadrante. Si x < 0, y > 0 se genera el segundo cuadrante. Si x < 0, y < 0 se
genera el tercer cuadrante. Si x > 0, y < 0 se genera el cuarto cuadrante.
Pero, por otra parte:
(x, y) = (x, y) = (x, 0) + [(0, y]) = x(1, 0) + (y)(0, 1)
lo cual dice que el plano tambien es el conjunto de todas las combinaciones lineales
de {~i, ~j}.
Mas a
un, el conjunto de vectores D = {~u = (1, 1), ~v = (1, 1)} tambien genera
todo el plano. Eso se demuestra probando que los vectores que generan el plano, {~i, ~j},
tambien son generados por D. En efecto : (1, 1) (1, 1) = (2, 0) por lo que
~i = (1/2)(1, 1) (1/2)(1, 1). Ademas, (1, 1) + (1, 1) = (0, 2) por lo que
~j = (1/2)(1, 1) + (1/2)(1, 1).
Sin embargo, el plano no es generado por el conjunto de vectores
D = {~u = (1, 1), ~v = (3, 3)},
pues ambos vectores de ese conjunto generan la misma lnea. Es decir, las combinaciones lineales de {~u, ~v } producen la misma lnea que las combinaciones lineales de
{~u} o {~v }.
De esta manera se distinguen 2 clases de conjuntos de vectores. Veamos la primera:
268. Definici
on. Un conjunto de vectores se dice que es LD (linealmente
dependiente) cuando uno cualquiera de ellos es combinacion lineal de los otros. Es
decir, cuando hay redundancia de vectores en el conjunto.
121
122
(2,4)
(-1,3)
(1,2)
-1
(0.5,-1.5)
-2
-2
-1
(1,-2) 2
273. Interpretaci
on geom
etrica. Los conceptos LD, LI tienen contraparte geometrica que en algunos casos simplifica las tareas. Citemos algunos ejemplos:
Primero que todo, consideremos dos vectores no nulos paralelos, el uno m
ultiplo del
otro. El primero determina una lnea. El segundo determina la misma lnea. Los dos
juntos determinan la misma lnea: son redundantes. Son dependientes. Pero si los dos
vectores dan lneas diferentes, entonces, ellos forman un conjunto LI, pues cada vector
da informacion independiente.
Consideremos el conjunto formado por el vector nulo y otro vector no nulo. El
vector nulo genera el origen. El otro vector genera una lnea que pasa por el origen.
El vector nulo es redundante: no da nada que no este en el espacio generado por el
segundo vector. Este conjunto es dependiente.
El vector ~i = (1, 0) genera el eje X, y el vector ~j = (0, 1) genera el eje Y. Entre los dos
generan todo el plano. Si a dichos ejes se les rota, dentro del plano, por separado para
que el angulo entre ellos quede agudo u obtuso o al reves, de todas formas generaran
todo el espacio, a menos que queden superpuestos o paralelos.
123
124
viaje redondo (que llega al mismo lugar de partida) combinando los elementos de S,
empezando y terminando en el origen.
275. Ejemplo La suma (3, 1) + (1, 2) = (4, 3) dice que el conjunto
S = {(1, 2), (3, 1), (4, 3)} es LD.
Pero esto es equivalente a decir que (3, 1) + (1, 2) (4, 3) = (0, 0), lo cual expresa
que si comenzamos desde el origen y viajamos hasta (3, 1) y despues caminamos lo
equivalente a (1, 2) y despues retrocedemos lo equivalente a (4, 3), entonces retornamos
al origen.
3
0
0
125
277. Ejercicio Use el teorema del viaje redondo para escribir pruebas formales de
los hechos que por intuici
on usted encontr
o en el ejercicio 274.
Cuando hablamos de combinaciones lineales, hablamos de algebra, pues hacemos
operaciones algebraicas. Cual es el equivalente geometrico de dependencia o independencia lineal?
Supongamos que estamos en el plano, sobre el cual dibujamos un 2-plp. Si uno
de sus lados es cero, el area del plp es cero. Si las dos aristas fundamentales del plp
son paralelas, formando un conjunto LD, su area tambien es cero. Pero si las aristas
fundamentales no son paralelas, entonces estas expanden un plp cuya area no es cero
y por consiguiente su determinante tampoco es cero. Esto significa que si un 2-plp es
generado por un conjunto LI, su determinante no puede ser cero. Pasemos ahora a
3D, en donde tomamos un 3-plp, el cual es expandido por 3 vectores que salen del
origen. Si cualquiera de los tres vectores es cero, el plp tiene volumen cero. Si los tres
vectores expanden solo un plano, el plp correspondiente esta contenido en un plano
con volumen cero y el determinante tambien es cero. Pero si los tres vectores no estan
sobre un plano, formando un conjunto LI, el volumen es diferente de cero al igual que
su determinante.
278. Teorema y definici
on. Un conjunto de n vectores en Rn es LI ssi su
determinante es diferente de cero. Un n-plp tiene volumen diferente de cero ssi es
generado por un conjunto LI. Un n-plp cuyo determinante es cero y que es generado
por un conjunto LD se denomina un plp apachurrado.
La prueba de este teorema es simplemente una generalizacion del siguiente ejemplo:
consideremos el 3-plp definido por [~a, ~b, ~a + ~b], cuyo determinante obedece la relacion
Det[~a, ~b, ~a + ~b] = Det[~a, ~b, ~a] + Det[~a, ~b, ~b].
Notemos ahora que el plp [~a, ~b, ~a] forma un paralelogramo cuyo 3-volumen es cero.
En general, el Det de un plp con 2 vectores iguales es cero. Esto es una consecuencia
126
directa del axioma de alternancia del Det, si se intercambian dos vectores de un plp
o de una matriz, el Det cambia de signo. Por tanto, en [~a, ~b, ~a] se puede intercambiar
el primer vector con el tercero, pero el resultado permanece inalterado y en cambio el
Det cambia de signo. Por tanto, tenemos:
Det[~a, ~b, ~a] = Det[~a, ~b, ~a]
Puesto que estamos trabajando con n
umeros reales, esta ecuacion es valida solo
para el n
umero cero. Es decir,
Det[~a, ~b, ~a] = 0.
279. Ejercicio Use la tecnologa del determinante para demostrar que cada uno de
los siguientes conjuntos es LD.
a) [(0, 0), (1, 2)]
b) [(1, 2), (2, 4)]
c) [(1, 2), (1, 2)]
d) [(0, 0, 0), (1, 2, 3), (4, 5, 6)]
e) [(1, 2, 3), (2, 4, 6), (7, 8, 9)]
f) [(1, 2, 3), (4, 5, 6), (5, 7, 9)].
Entramos a estudiar desde el punto de vista geometrico el conjunto de todas las
combinaciones lineales generadas por un conjunto finito.
4.2.
Subespacios
Ejemplo
4.2. SUBESPACIOS
127
En efecto: dicho conjunto esta contenido en el plano, del que hereda una suma y una
multiplicacion escalar, las cuales debemos demostrar que son cerradas. Para la suma:
Sean ~u y ~v dos elementos de L, debemos demostrar que al sumarlos su resultado
esta sobre la lnea. Procedamos: los elementos de la lnea L son de la forma (l, 3l).
Entonces, si ~u esta en la lnea, existen coordenadas (u1 , u2 ) tales que u2 = 3u1 , es decir
~u = (u1 , 3u1 ). En cuanto a ~v , este se puede escribir como (v1 , 3v1 ). Al sumar estos dos
elementos obtenemos (u1 + v1 , 3u1 + 3v1 ), que es lo mismo que (u1 + v1 , 3(u1 + v1 )) que
es de la forma (z, 3z). por lo tanto, la suma es cerrada.
Ahora veamos que la multiplicacion escalar es cerrada. Tomamos un elemento de
la lnea, (l, 3l), lo multiplicamos por un escalar, , nos da (l, (3l)) = (l, 3(l)) que
es de la forma (z, 3z), por lo que esta en la lnea. Entonces la multipliacion escalar es
cerrada.
Como la suma y la multiplicacion escalar son operaciones cerradas sobre L, tenemos
un subespacio vectorial. Todas las demas propiedades que L necesita para ser EV, L
las tiene por herencia del plano, el cual es EV.
285. Contraejemplo La lnea y = 3x + 1 no es subespacio del plano.
Es suficiente demostrar que la suma no es cerrada. Tomamos dos elementos determinados (1, 4), (2, 7). Al sumarlos da (3, 11) que no es de la forma (l, 3l + 1), pues
debiera haber sido (3, 10). Ademas, si x = 0 entonces y = 1, por lo que el elemento
(0,0), el cual es el cero del plano considerado como espacio vectorial, no esta en la
lnea. Esa es otra razon que por s misma es suficiente para decir que la lnea no es un
subespacio del plano.
286. Contraejemplo La circunferencia de radio uno no es EV .
En efecto, los puntos (1, 0) y (0, 1) pertenecen a dicha circunferencia, pues cumplen
con la ecuacion x2 + y 2 = 1. Pero al sumarlos da (1, 1), que ya no cumple con dicha
ecuacion.
287. Ejercicio Decida cuales de los siguientes conjuntos, definidos por la condici
on
dada, son sub-EV del EV indicado:
a) y = 3x + 1 de R2 .
b) y = 7x 2z en R3 .
c) z = 4x 5y en R3 .
d) y = 3 en R.
e) y = x2 en R2 .
Hay una manera estandar de generar subespacios, que es simplemente a
nadir todo
lo que sea estrictamente necesario para lograr que uno pueda sumar y alargar sin
problema.
288. Recordemos. Dado un conjunto de vectores D de un EV V, se nota por
gen(D) el conjunto de todas las combinaciones lineales finitas de D y se llama el
conjunto generado por D. Concretamente, si D = {~u1 , ~u2 , ..., ~un }, entonces
128
4.3.
Bases
Cuando un conjunto genera todo el espacio y lo hace sin redundancia, tenemos una
base.
293. Definici
on. Un conjunto de vectores B que es LI y que genera un EV V se
dice que es una base de V.
Algunos ejemplos aparecen en la siguiente grafica.
4.3. BASES
129
4
(2,4)
(-1,3)
(1,2)
1
-1
(0.5,-1.5)
-2
-2
-1
(1,-2)
1
=0
=0
=0
130
0
det(B) =
1
2 0
0 3
1 3
1 3
= 1 (2)(3) = 7
(2)det
= (1)det
1 1
0 1
0 1
Como el volumen es 7, el conjunto es LI, pues todos los 3 vectores son esenciales
para expandir un volumen.
Probemos ahora que gen(B) = R3 . Para ello, hay que demostrar que todo elemento
de gen(B) lo es de R3 y que todo elemento de R3 lo es de gen(B). Como todos los
elementos de B estan en R3 , el cual es EV , cerrado bajo las combinaciones lineales,
todo elemento de gen(B) esta en R3 . Probemos ahora que todo elemento de R3 lo es
de gen(B). Sea (x, y, z) R3 . Debemos demostrar que (x, y, z) se puede expresar como
una combinacion lineal de los elementos de B. Es decir, que existen escalares , ,
tales que
(x, y, z) = (1, 0, 1) + (2, 1, 0) + (0, 3, 1)
lo cual da un sistema de 3 ecuaciones con 3 incognitas , , :
x = + 2
y = + 3
z = +
Este sistema define un conjunto de 3 planos en el espacio , , . Los vectores
normales a dichos planos forman un plp [(1, 2, 0), (0, 1, 3), (1, 0, 1)]. El determinante de
ese plp es 7. Por lo tanto, los planos se cortan en un u
nico punto. Eso quiere decir
que (x, y, z), no importa cual, siempre se puede descomponer de manera u
nica en B.
4.3. BASES
131
Si ademas, uno quisiera decir exactamente el valor de los escalares, entonces podemos
aplicar la regla de Kramer:
Sea
1 2 0
M = 0 1 3
1 0 1
x 2 0
Mx = y 1 3
z 0 1
1 x 0
My = 0 y 3
1 z 1
1 2 x
Mz = 0 1 y
1 0 z
Tenemos que
x=
det(Mx )
det(M )
y=
det(My )
det(M )
z=
det(Mz )
.
det(M )
132
Sea B = {~u = (u1 , u2 ), ~v = (v1 , v2 )} . Entonces, cualquier elemento del plano puede
expresarse como combinacion lineal de los elementos de B. Sea (z, w) un elemento
cualquiera del plano. Debemos probar que siempre se pueden encontrar escalares ,
tales que
(z, w) = (u1 , u2 ) + (v1 , v2 )
Esto es equivalente a un sistema de ecuaciones 2 2:
z = u1 + v1
w = u2 + v2
Las incognitas son , , podemos cambiar dichas incognitas por x, y:
z = xu1 + yv1
w = xu2 + yv2
Reordenando:
yv1 = z xu1
yv2 = w xu2
despejando, siempre y cuando v1 y v2 sean diferentes de cero,
y = (z xu1 )/v1
y = (w xu2 )/v2
Revisemos las pendientes de estas lneas para saber sin son paralelas o no. La
pendiente de la primera recta es u1 /v1 y la de la segunda es u2 /v2 . Si estas rectas
fuesen paralelas, sus pendientes sera iguales: u1 /v1 = u2 /v2 . Que es lo mismo que
decir u1 /u2 = v1 /v2 . Pero esto es lo mismo que decir que u1 = v1 y que u2 = v2 que
escrito en forma vectorial se lee
(u1 , u2 ) = (v1 , v2 )
que es lo mismo que asegurar que ~u y ~v forman un conjunto LD, lo cual no puede
ser, pues estos vectores forman una base, que es un conjunto LI.
Por lo tanto, las dos lneas no son paralelas y se cortan en un u
nico punto: podemos
hallar y , los n
umeros que nos dicen como combinar los dos vectores para generar
todo el plano. Esos escalares se denominan las coordenadas del vector (z, w) en la
base dada B. Por consiguiente, ya demostramos que los dos primeros elementos de una
base cualquiera en R2 son LI y expanden todo el plano. Por lo tanto, forman una base.
Como los dos primeros elementos de la base B generan todo el espacio, entonces B
no tiene mas elementos, pues si tuviese uno mas, B no sera LI. En efecto. Si w
~ es otro
elemento aparte de los dos primeros, entonces, w
~ estara generado por los dos primeros
elementos de B. O sea que esos tres elementos generan el mismo espacio que los dos
primeros. Es decir, el tercero sobrara: B sera LD y no sera base.
Hemos demostrado que una base cualquiera en R2 tiene exactamente dos elementos
y por consiguiente que todas las bases en R2 tienen el mismo n
umero de elementos.
133
302. Definici
on. Se denomina dimensi
on de un espacio vectorial no nulo al
n
umero de elementos de cualquier base de dicho espacio. Si un EV tiene un u
nico
~
elemento que es el elemento neutro de la suma y que se nota 0, entonces no tiene
subconjuntos LI y no puede tener base.
303.
Ejemplo
Rn tiene dimensi
on n.
4.4.
Planos y sub-EV
134
313. Ejercicio Demuestre que las siguientes ecuaciones describen planos que son la
traslacion de un plano generado por 2 vectores que forman un conjunto LI:
a) z = 2x 5y
135
b) z = 2x 5y 7
c) 2x 3y + 4z = 1
d) 3x 5y + 2z = 3
e) x = 0
f) y = 0
g) y = 3.
314. Ejemplo Demostremos que el conjunto B = {(2, 1, 1), (1, 2, 3)} es una
base de el subespacio de R3 dado por x y z = 0 o bien z = x y.
Demostraci
on. Primero que todo, ese plano pasa por el origen por lo que es un subespacio de R3 . En segundo lugar, los vectores satisfacen la ecuacion del plano, por lo
que estan en el plano. En tercer lugar, los dos vectores forman un conjunto LI porque
el uno no es m
ultiplo escalar del otro. En cuarto lugar, los dos vectores generan todo el
plano. Para verlo, tomemos un vector arbitrario de , sea (x, y, x y). Lo que tenemos
que hacer es demostrar que esta en el gen(B), es decir, que existen escalares y tales
que
(x, y, x y) = (2, 1, 1) + (1, 2, 3)
Obtenemos un sistema de ecuaciones dado por
x = 2
y = + 2
x y = 3
136
137
4.5.
Espacios de matrices
A=
a11 a12
a21 a22
B=
b11 b12
b21 b22
138
A =
a11 a12
a21 a22
a11 a12
a21 a22
Con estas operaciones podemos sumar y alargar sin problemas: M22 es un EV.
M22 tiene dimension 4. Esa aseveracion sale, abusando de la gentileza del lector,
de la siguiente igualdad:
0 0
0 0
0 b
a 0
a b
+
+
+
=
0 d
c 0
0 0
0 0
c d
M22 tiene muchos subespacios vectoriales. El siguiente es el subespacio de las
matrices triangulares superiores:
a b
donde a, b, d R
S22 =
0 d
S hereda de M22 la suma y la multiplicacion escalar bajo las cuales S es cerrado.
Por lo tanto, S es un subespacio vectorial de M22 . La dimension de S es 3.
322. Ejercicio En M22 defina el conjunto de las matrices triangulares inferiores.
Demuestre que es un subespacio y hallele una base.
4.6.
Complemento ortogonal
323. Definici
on. Decimos que en un espacio vectorial W, los vectores ~u y ~v son
ortogonales si su producto interior es cero. Esto generaliza una definicion previa para
Rn ver 112 pag 55.
324. Definici
on. Decimos que en un espacio vectorial W, los subespacios H y
K generan a todo W si cada elemento w
~ W puede escribirse como combinacion de
~
elementos de los dos subespacios: w
~ = h + ~k con ~h H y ~k K. Esta definicion se
generaliza a cualquier n
umero finito de subespacios.
325. Definici
on. Decimos que en un espacio vectorial W, H es el complemento ortogonal de H, si tanto H como H son subespacios vectoriales de W y si
ademas a) entre H y H generan a todo V, y b) si todos los elementos del uno son
ortogonales a todos los elementos del otro.
326.
Ejemplo
327.
no:
Ejemplo
139
b) X, Z generan una pared, la cual no es complemento ortogonal del piso, pero entre
el piso y esa pared generan todo el espacio R3 pero no de manera u
nica.
328. Ejercicio En M22 definimos el producto interior entre dos matrices de la
siguiente forma. Si
b11 b12
a11 a12
B=
A=
b21 b22
a21 a22
entonces definimos el producto interno, interior o escalar de A y B como
A B = a11 b11 + a12 b12 + a21 b21 + a22 b22
a) Demuestre que en realidad nuestra definicion cumple con los axiomas de producto
interno.
b) Halle el complemento ortogonal del subespacio de las matrices triangulares superiores. Demuestre que cada elemento del espacio grande se descompone de manera
u
nica entre el subespacio y su complemento.
329. Ejercicio En R3 , halle el complemento ortogonal de los subespacios se
nalados y
construya una base de todo el espacio uniendo bases del subespacio y de su complemento.
a) El espacio vectorial que es paralelo a la lnea que pasa por (1, 2, 3) y (4, 5, 6).
b) El plano que pasa por el origen y es paralelo a 2x 4y + 5z = 8.
4.7.
Ejercicios de repaso
1. Determine si R2 , con las operaciones suma y producto por escalar definidas por
(x, y) + (z, w) = (x + z, y + w) y k(x, y) = (2kx, 2ky) es un espacio vectorial.
2. Demuestre que si {v, w} es un conjunto linealmente independiente en un espacio vectorial V y u gen{v,
/
w} entonces {v, w, u} es un conjunto linealmente
independiente.
3. Sean V = R3 y W = {(x, y, z); x + 2y + 3z = 0}.
a) Encuentre dos vectores v~1 y v~2 , que generen a todo W.
b) Esta el vector ~v = (1, 1, 1) en el gen{v~1 , v~2 }?
4. Sea D el conjunto de matrices de la forma
0
a
a a+b
c) Halle el complemento ortogonal de D en M22 y muestre como se descompone dicho espacio en D y su complemento.
140
1 0
3
= 3 y A es la matriz A = 0 0 1 .
0 3
4
11. Sea V = C 1 [a, b] el conjunto de funciones que van del intervalo [a, b] sobre R tales
que ellas y sus derivadas sean continuas. Sea H = {f V | f (x) + f (x) = 0}.
Es H un subespacio vectorial de V ?
12. Considere el conjunto H = {(x, y, z): (x, y, z) = (t, 3t, t): t R} .
a) Muestre que H es un subespacio vectorial de R3 .
b) Encuentre una base y la dimension de H.
c) Represente geometricamente el espacio H.
4.8. RESUMEN
4.8.
141
Resumen
Con miras a proveer una plataforma que nos permita pisar solidamente al atacar
problemas en altas dimensiones hemos definido espacio vectorial, dependencia e independencia lineal y bases. El elemento cohesivo ha sido la geometra. Un espacio
vectorial es como un plano que pasa por el origen: al combinar vectores, con sumas y
multiplicaciones por n
umeros, el resultado permanece en el mismo plano. Un conjunto
de vectores es linealmente dependiente cuando hay elementos redundantes, es decir,
cuando al quitar alg
un elemento se genera, con combinaciones lineales, el mismo espacio que antes. Un conjunto de vectores es linealmente independiente cuando todos
sus elementos son esenciales, o sea que al quitar cualquier vector se genera un espacio
menor. Una base es un conjunto no redundante que genera todo el espacio.
142
CAPITULO
5
TL = TRANSFORMACIONES LINEALES
5.1.
Definici
on de TL
3x + 4y = 7
5x + 3y = 9
144
matriz tenga un significado natural, es decir, que este directamente relacionado con los
sistemas de ecuaciones. Por esa razon, la manera natural de asociar por definicion una
funcion T , de clase T L, a la matriz M es:
3x + 4y
x
3 4
x
=
=
T
5x + 3y
y
5 3
y
x
3x + 4y
T toma la dupleta
. Como las
y las transforma en la dupleta
5x + 3y
y
dupletas son elementos de R2 , tambien usamos la siguiente notacion, usual para funciones, para indicar como es T :
T : R2 R2
T ((x, y)) = T (x, y) = (3x + 4y, 5x + 3y).
El conjunto sobre el cual opera la T L se denomina dominio, y el conjunto sobre
el cual caen los resultados de la transformacion se denomina codominio. Es igual que
en funciones, puesto que cada T L es una funcion. En este ejemplo, el dominio es igual
al codominio, y es el conjunto de dupletas, el plano o R2 .
Tambien podemos definir lo que debemos entender por multiplicar una matriz
por un vector: es lo mismo que considerar la matriz como T L y aplicarla sobre el
vector para recuperar el lado izquierdo de un sistema de ecuaciones:
ax + by
x
a b
=
cx + dy
y
c d
330. Ejercicio Observe la forma como se multiplica una matriz de dos columnas
por un vector de dos componentes y descubra donde y como se ha usado el producto
punto, interno o interior. Reexprese la regla de multiplicaci
on de una matriz por un
vector en terminos de dicho producto.
Ahora podemos decir que resolver el sistema de ecuaciones
3x + 4y = 7
5x + 3y = 9
~ donde M es la
es lo mismo que exigir encontrar (x, y) tal que M (x, y) = (7, 9) = B,
matriz o T L asociada al sistema. En general, un sistema de ecuaciones es simplemente
~ = B
~ y se dice que resolverlo es lo mismo que hallar la preimagen de B
~ por
MX
M . Dicha preimagen es un conjunto que puede tener un u
nico vector, un conjunto de
vectores, o puede ser vaco.
Nota de rigor: recalcamos que cuando usamos la notacion de funciones para designar
una T L, las dupletas son horizontales, (x, y), pero cuando representamos la T L en
DE TL
5.1. DEFINICION
145
x
. Lo que es una dupleta
forma matricial, las dupletas forman un vector columna
y
horizontal en una notacion se convierte en vector columna en la otra. Sin embargo,
es conveniente tener presente que en el formalismo que
estamos
construyendo para
x
.
matrices, la matriz (x, y) sera muy diferente de la matriz
y
331. Ejercicio Para los sistemas de ecuaciones dados, hallar la matriz asociada y
la T L que esta genera, explicitando el dominio y el codominio:
8x 1y = 7
a)
2x + 3y = 13
b)
3x + 4y 4z = 7
4x + 3y 2z = 7
3x + 4y 4z = 7
4x + 3y 2z = 7
c)
x 2y + 3z = 4
332. Ejercicio Hallar la T L asociada a cada una de la siguientes matrices:
a)
3 2
1
3
b)
3 2
4
1
3 7
3 2
4
3 7
c) 1
0
4 5
3 2
3
d) 1
0
4
146
333. Definici
on. Una T L (transformaci
on lineal) T : V W es una funci
on tal
que si ~u, ~v , ~u + ~v est
an en V y todas sus im
agenes est
an en W, se tiene que:
a) T (~u + ~v ) = T (~u) + T (~v ) y
b) T (~u) = T (~u) para R.
334. Ejercicio Demuestre que T es T L ssi T (~u + ~v ) = T (~u) + T (~v ) para ~u,
~v V y , R.
~ + Y~ )
T (X
~ + Y~
X
~
X
Y~
~
T (X)
T (Y~ )
335.
336. Teorema. Cada matriz define una T L. Ilustremos este importante resultado
con un ejemplo de una funcion que ya sabemos que est
a asociada a una cierta matriz.
337.
T L.
DE TL
5.1. DEFINICION
147
148
342. Ejercicio En una empresa, una seccion toma varios insumos de diferentes
tipos y produce varios productos. Para fijar ideas, imaginemos que se tienen 2 insumos
A, B y dos productos P, Q. Para hacer un producto tipo P se requieren 2 del tipo A
y uno de B. Para hacer un producto tipo Q se requieren 2 de A y 3 de B. Codificar
esa informacion en forma de matriz de tal manera que se responda naturalmente a la
siguiente pregunta: si se requieren 3 productos tipo P y 4 tipo Q, cu
anto se necesita
de cada insumo? Especificar la T L asociada y verbalizar su significado.
5.2.
La matriz de una TL
Nosotros sabemos como hallar la matriz asociada a un sistema de ecuaciones lineales, y de ah sacar una T L. Con todo, uno puede definir una T L sin necesidad de
pensar en un sistema de ecuaciones. Por ejemplo, derivar funciones es una T L sobre el
espacio de funciones derivables. Con tanta generalidad, pensar en matrices origina serios
problemas. Pero en casos muy simples se procede muy sencillamente, por inspeccion.
~ = (x1 , ..., xn ) Rn . Hallemos la matriz de
343. Ejemplo y definici
on Sea X
~ = X.
~ Puesto que la matriz de I es una matriz tal que a X
~ no le hace nada, esa
I(X)
matriz es la matriz identidad, I, la que tiene unos en la diagonal y ceros en las dem
as
entradas. A esta transformaci
on lineal la llamamos la identidad y la notamos I.
3 4
4 3
149
T (~j)
T
~j
~i
T (~i)
Figura 5.1. Una T L se caracteriza por su efecto sobre la base natural. Podemos
pensar en terminos de bases o de los plp que ellas generan.
Demostraci
on. Sea T una T L cualquiera de R2 en R2 .
Tengamos en cuenta que en la base natural del dominio R2 se tiene que
(x, y) = x(1, 0) + y(0, 1)
y aplicando T a ambos lados y aplicando la linealidad, obtenemos:
T (x, y) = T (x(1, 0) + y(0, 1)) = xT (1, 0) + yT (0, 1).
Esta identidad dice que para saber como opera una T L es suficiente saber que hace
sobre la base natural o sobre el plp formado por la base natural.
346. Ejercicio Generalice el teorema anterior a Rn .
Si reescribimos la identidad T (x, y) = T (x(1, 0) + y(0, 1)) = xT (1, 0) + yT (0, 1) en
notacion vertical, y la generalizamos a n dimensiones, tenemos el siguiente
347. Algoritmo: Para sacar la matriz de una T L T se calcula T de cada uno de
los elementos de la base natural N = {(1, 0, .., 0), (0, 1, 0, ..., 0), ..., (0, ..., 1)} y dichas
im
agenes se ponen en posicion vertical formando una matriz.
348. Ejemplo Si T (x, y) = (3x + 4y, 4x + 3y) se tiene T (~i) = T (1, 0) = (3, 4) en
tanto que T (~j) = T (0, 1) = (4, 3) y esos dos vectores resultantes son las columnas de
la matriz M de T :
3 4
M=
4 3
349. Protesta. Adem
as de la base natural, cada EV tiene un n
umero infinito de
bases. Por que la matriz de una T L tiene que definirse con respecto a la base natural?
Esta justa protesta exige una respuesta, la cual sera estudiada como prerrequisito
a la diagonalizacion.
150
5.3.
Composici
on de las TL
Una T L es antes que nada una transformacion. Las transformaciones pueden tratar
de encadenarse o componerse, primero una y despues otra. Eso no siempre es posible.
Por ejemplo, si una T L toma vectores de un EV de dimension 6 y produce vectores en
un espacio de 5 dimensiones, para poder entrar en una cadena se exige que el proximo
eslabon reciba elementos de un espacio de 5 dimensiones.
352. Teorema. Si dos T L pueden componerse, su resultado es una transformaci
on
que es T L. Con total claridad, si S: U V es T L y si T : V W es T L, entonces la
compuesta T S puede hacerse y es T L:
S
W
Figura 5.2. La composicion o encadenamiento de las T L es T L.
Demostraci
on: ejercicio.
Puesto que la compuesta de las T L es T L, la compuesta tiene una matriz asociada.
Como hallamos su matriz?
Tengase presente que la notacion al componer T L se subordina a la siguiente necesidad: la matriz de una T L, lo mismo que una funcion opera sobre vectores columna que
estan a la derecha de ella. Por lo tanto, al componer dos funciones, T L o matrices, la
que entra de segunda debe ir a la izquierda para que reciba, por la derecha, lo que la
primera produce. Por esta razon, la compuesta del diagrama anterior se denota T S
~ del dominio de S se escribe as:
y cuando opera sobre un vector X
DE LAS TL
5.3. COMPOSICION
151
~ = T (S(X))
~
(T S)(X)
Recordemos que para hallar la matriz de una T L se halla la imagen de cada uno de
los vectores de la base natural y los resultados se escriben como columnas formando una
matriz. Por tanto, la matriz de una compuesta se halla calculando la imagen de cada
uno de los elementos de la base del dominio por la primera T L y el vector resultante se
pasa por la segunda T L. Todos los vectores resultantes forman una matriz, la matriz
de la compuesta.
353. Ejemplo
puesta T S:
Sea S(x, y) = (2x 3y, 5x + 4y), y sea T (x, y) = (3x + 2y, 9x + 7y)
Hallemos la imagen por S de la base natural. Tenemos:
S(1, 0) = (2, 5), S(0, 1) = (3, 4)
y por tanto
S=
2 3
5
4
Observese que usamos la misma letra para designar a S tanto como funcion como
matriz. No hay ninguna confusion, pues hay una correspondencia biunvoca entre las
dos.
Por otro lado:
T (1, 0) = (3, 9), T (0, 1) = (2, 7)
y por tanto:
T =
3 2
9 7
16 1
17 55
152
2 3
5
4
T =
3 2
9 7
2 3
T S(~i) =
5
4
2
3 2
=
5
9 7
3 2
9 7
1
0
DE MATRICES
5.4. MULTIPLICACION
5.4.
153
Multiplicaci
on de matrices
154
Cuando usamos notacion de funciones, como aqu, los vectores forman tupletas
que se escriben horizontalmente, pero cuando usamos notacion matricial, los vectores
forman una columna y van delante de la matriz.
Una matriz representa una funcion y las funciones o transformaciones pueden componerse, es decir, pueden ponerse a operar una despues de otra. Lo interesante es que
al componer 2 matrices como transformaciones, la transformacion resultante tiene una
matriz asociada llamada la matriz producto. El resultado de la multiplicacion se puede
calcular automaticamente de acuerdo con la siguiente:
358. Regla para multiplicar matrices
1. Queremos que el producto de matrices T y S, en ese orden, represente la matriz
de la compuesta T S = T (S()).
2. El orden es importante porque, en general, transformar de un modo y despues
de otro no es conmutativo (piense en las transformaciones que sufren los alimentos al
ser preparados y ademas estudie rotaciones de 90 grados alrededor de dos ejes perpendiculares).
3. Para hallar la matriz de un producto T S se cuadran las matrices T, S en el
siguiente arreglo en escuadra, de tal forma que el producto esta en el centro de la
escuadra:
..
.
S
Para hallar la entrada pij del producto, fila i con columna j, se multiplica en producto punto la fila i de T con la columna j de S, como en el siguiente
2 3
5
4
T =
3 2
9 7
..
. 2 3
..
. 5
4
..
T S = ... ... ... ..
3 2 ...
..
9 7 .
DE MATRICES
5.4. MULTIPLICACION
155
..
.
2
3
..
.
5
4
..
..
T S = ... ... ...
3 2 ...
2
+
2
5
3
(3)
+
2
..
9 7 . (9) 2 + 7 5 (9) (3) + 7 4
..
.
2
3
..
.
5
4
..
T S = ... ... ... ..
3 2 ... 16 1
..
9 7 . 17 55
Verifiquemos ahora que se trata de la matriz de una compuesta. Para eso tenemos
que calcular S(x, y), producir un vector resultante que ha de ser procesado por T y
el resultado debe coincidir con el resultado de multiplicar la matriz T S por (x, y).
Veamos. Primero calculemos S(x, y):
2x 3y
x
2 3
=
5x + 4y
y
5
4
A este vector resultante lo pasamos por T :
3(2x 3y) + 2(5x + 4y)
2x 3y
3 2
=
9(2x 3y) + 7(5x + 4y)
5x + 4y
9 7
=
6x 9y + 10x + 8y
18x + 27y + 35x + 28y)
=
16 1
17 55
x
y
16x y
17x + 55y
que da exactamente la matriz T S, la cual hallamos mecanicamente. Hemos verificado entonces que el producto de dos matrices corresponde a la composicion de las
matrices interpretadas como transformaciones.
360. Ejercicio Sean las siguientes matrices:
156
2
A=
5
1
B=
2
2
C=
3
1
3
4
4
5
1
Ejemplo
y la T L
T : R2 R3
T (x, y) = (2x 3y, x + 5y, x 7y)
Usando la tecnologa del producto de matrices hallemos la expresi
on de la compuesta
T S = T (S()).
Solucion: Lo primero que tenemos que verificar es que efectivamente la compuesta
esta bien definida. Para esto, lo que se necesita es que la salida de la primera funcion se
pueda encadenar con la entrada de la segunda. Para componer T L nosotros exigimos
que el codominio o conjunto de llegada de la primera sea exactamente igual al dominio
o conjunto de salidad de la segunda. Para nuestro ejemplo, el codominio de S es R2
que es igual al conjunto de salidad de T . Por lo tanto, se pueden encadenar, lo cual
tambien podemos resumirlo en el siguiente diagrama:
DE MATRICES
5.4. MULTIPLICACION
S
R2
157
R2
R3
Figura 5.3. La salida de S se puede encadenar con la entrada de T porque ambas
son el mismo EV .
La matriz de S es
S=
1 1
2
4
La matriz de T es
2 3
5
T = 1
1
7
1 1
2
4
..
TS =
.
2 3 ..
..
5 .
1
.
1
7 ..
..
.
..
.
2
4
TS =
..
2 3 . (2)(1) + (3)(2) (2)(1) + (3)(4)
(1)(1) + (5)(4)
5 .. (1)(1) + (5)(2)
1
..
1
7 . (1)(1) + (7)(2) (1)(1) + (7)(4)
4 14
19
T S = 11
13
29
158
1 4
4
B= 2
1
3
2 5
C=
3
1
Calcule mecanicamente los siguientes productos cuando esto sea posible. Para decidir si la compuesta tiene sentido, verifique dos cosas, que el conjunto de llegada de
la primera sea igual al conjunto de salida de la segunda y que el arreglo en escuadra
permite definir las marcas negras sin ambig
uedad.
1. AB
2. BA
3. CA
4. CB
5. ABC
6. A2 = AA
5.5.
Ejercicios de repaso
0
1
satisface la ecuacion cuadratica
1. Compruebe que la matriz A =
2 1
X 2 + X 2I = 0 donde X 2 denota el producto de matrices XX para matrices
cuadradas. Podra hallar otra matriz B que sea solucion de dicha ecuacion?
2. Sea A una matriz m n y sea ej el vector columna n 1 cuya jesima componente es 1 y cuyas otras componentes son ceros. Mostrar que:
5.6. RESUMEN
159
a) A ej es la j-esima columna de A.
b) Si A~x = 0, ~x Rn , entonces A = 0.
5 4
1 2
e) Hay alg
un polinomio para el cual T1 (T2 (p(x))) este bien definido?
f ) Demuestre que T1 y T2 son lineales.
g) Halle T1 (a+bx), T2 (a+bx+cx2 ), T2 (T1 (a+bx))) e invente un procedimiento
matricial para obtener por matrices los mismos resultados.
5.6.
Resumen
Todo sistema lineal de ecuaciones esta naturalmente asociado a una matriz, digamos
F , la cual representa una funcion con propiedades especiales. Es compatible con las
operaciones de un EV, la suma y la multiplicacion por escalares:
F (~x + ~y ) = F (~x) + F (~y )
La funcion resultante se denomina transformacion lineal (T L). La compuesta, cuando existe, de dos T L es T L y por tanto tambien tiene matriz: la matriz de una compuesta es el producto de matrices. Todo esto es tan natural que se denota simplemente
como: la matriz de F G es el producto de las matrices F G. La multiplicacion de
matrices es no conmutativa, en general, F G 6= GF .
160
5.7.
Con este taller podra revisar y aplicar la teoria desarrollada en el capitulo. Asuma
cada ejercicio como un reto. 1
1. Encontrar los coeficientes a, b, c para que la parabola y = ax2 + bx + c pase por
los puntos (1, 4), (2, 8) y (3, 14).
Rta. a = 1, b = 1, c = 2.
2. Una fabrica de muebles tiene dos divisiones: un taller donde se fabrican las partes
de los muebles y una division de ensamble, donde se unen las partes para obtener
el producto terminado. Suponga que se tienen 12 empleados en el taller y 20
en la division, y que cada empleado trabaja 8 horas diarias. Suponga que se
producen solo sillas y mesas. Una silla requiere 384
horas de maquinado y 480
17
17
240
horas de
horas de ensamblaje. Una mesa requiere 17 horas de maquinado y 640
17
ensamblaje. Suponga que se tiene una demanda ilimitada de estos productos y
que el fabricante quiere mantener ocupados todos los empleados. Cuantas sillas
y cuantas mesas al da puede producir esa fabrica?
Rta. 3 sillas y 2 mesas.
3. En 3 islas vive una poblacion estable de 35.000 aves. Cada a
no, el 10 % de
poblacion de la isla A emigra a la isla B, el 20 % de la poblacion de la isla
B emigra a la isla C y el 5 % de la poblacion de la isla C emigra a la isla A.
Calcule el n
umero de aves en cada isla, si no vara la poblacion de cada isla de
un a
no al siguiente.
4. Para cada una de las siguientes afirmaciones diga si es falsa (F) o verdadera
(V) seg
un sea el caso. Si es falsa, justifique su respuesta mediante un ejemplo o
mediante el uso de la teora. Si es verdadera, justifique u
nicamente mediante la
teora (teoremas, definiciones, etc).
a) El generado de cualesquiera dos vectores no nulos en R2 es todo R2 .
b) El generado de cualesquiera tres vectores no nulos y no paralelos en R3 es
todo R3 .
c) Si {v~1 , v~2 , ..., v~k } son vectores en R2 tales que el gen{v~1 , v~2 , ..., v~k } = R2 ,
entonces k = 2.
d ) Existen exactamente dos vectores perpendiculares a un vector no nulo dado
en Rn .
e) El angulo entre dos vectores no nulos en Rn es menor que 90 , si y solo si,
el producto punto de los vectores es positivo.
f ) Si ~u ~v = 0, entonces ~u = 0, o bien, ~v = 0.
1
161
i ) Si ~v , w
~ son vectores de Rn con la misma magnitud, entonces la magnitud
de ~v w
~ es cero.
d ) El vector (13, 15) es una combinacion lineal de los vectores (1, 5) y (3, c).
e) El vector ~i + c~j es una combinacion lineal de los vectores ~i + 2~j + ~k y
3~i + 6~j + 3~k.
f ) El vector (c, 3, 5) es ortogonal al vector (1, 3, 4).
h) Los puntos (2, 0, 4), (4, c, c) y (6, c, c) son los vertices de un triangulo
equilatero.
6. Mostrar que el punto medio de la hipotenusa de un triangulo rectangulo es
equidistante de los tres vertices.
7. Encuentre la distancia del punto P (1, 1, 2) al plano 2x + y z = 1.
8. Determine el punto Q del plano 2x + y z = 1 que se encuentra mas cerca del
origen.
9. Pruebe que si ~b + ~c = 0 y ||~a|| = ||~b||, entonces (~a ~b) (~a ~c) = 0.
Sugerencia: Distribuya el producto punto y use las hipotesis.
10. Sean ~u = (2, 5) y ~v = (, 2). Determine tal que:
a) ~u y ~v sean ortogonales.
162
8058 3
,
13
c) = 45 , d) para ning
un .
163
16. Si un sistema lineal tiene matriz aumentada equivalente por filas a la matriz
1 2
1 |
2
0 1
2 |
2 determine el(los) valor(es) de a para el(los) cual(es)
2
0 0 a 4 | a+2
el sistema tiene:
a) Unica
solucion.
b) Infinitas soluciones.
c) Inconsistencia.
17. Sea H = {(x, y) : xy = 0}. Es H con suma y producto por escalar usuales un
subespacio vectorial de R2 ? Justifique su respuesta.
x 0 x
18. Determine si el conjunto de matrices 33 de la forma 0 x 0 , donde cada
x 0 x
x puede ser un escalar cualquiera, es un espacio vectorial con suma y producto
por escalar usual. En caso afirmativo halle una base para tal espacio y encuentre
su dimension.
19. Decidir cuales de los siguientes conjuntos son subespacios de Rn ::
a) H1 = {X Rn : A X = 0, A Mnn }.
1
20. Extender el conjunto
1
4
espacio R .
1
1
1 2
, ,
0 1
1
1
Rta. A
nada el vector (1, 0, 0, 0) y verifique que estos cuatro vectores forman una
base.
21. Determine cuales de los siguientes subconjuntos del espacio vectorial de matrices
2 2 son subespacios.
a 0
a 0
|a+b=5
c)
| a, b R
a)
0 b
0 b
a c
a 0
| a + b = 0, c R
d)
|a+b=0
b)
0 b
0 b
164
22. Determine si el vector v pertenece al espacio generado por los vectores del conjunto H.
0
2
1
0
0 ,
0 , H=
a) v =
1
0
1
b) v = x x3 , H = x2 , 2x + x2 , x + x3
2 0
1 0
0 1
,
, H=
c) v =
2 3
1 1
4 2
23. Determine si los siguientes conjuntos de vectores son linealmente dependientes o
independientes.
4
2
1
V = R3
a) 3 , 2 , 4
14
4
5
3
2
1
7
7 ,
7
V = R3
b)
7
7
7
2
V = P2
c) 3 x + 9x , 5 6x + 3x2 , 1 + x 5x2
2
2
2
V = P2
d ) 8 + 3x + 3x , x + 2x , 2 + 2x + x , 8 2x + 5x2
24. Encuentre una base para las soluciones del siguiente sistema de ecuaciones.
x1 4x2 + 3x3 x4 = 0
2x1 8x2 + 6x3 2x4 = 0
25. Encuentre una base para cada uno de los siguientes subespacios y halle su dimension:
a) El subespacio H = a2 x2 + a1 x + a0 : a2 2a1 = a0 de P2
b) El subespacio H = {p(x) P3 : p(7) = 0}
y
b) T : R R ,
T
=
z
z
xy
x
2
2
=
c) T : R R ,
T
x
y
165
a b
a
c
e
c d =
b d f
e f
T (a + bx + cx2 ) = b + cx;
f ) T : P2 P1 ,
4
1
2
1
= 0 ,
= 2 ; T
T
1
1
5
3
calcule
yT
3
9
yT
3
7
Respuesta: a) T
a) T
2
5
b) T
2
4
2
5
21
8
3
= 10
= 8 , T
9
5
7
3
28. Sea T : R2
una transformacionlineal
tal que
R
4
1
2
1
= 0 ,
= 2 ; T
T
1
1
5
3
166
Rta. a) S. b) S.
35. En el espacio vectorial real de los polinomios de grado menor o igual a 3 se
consideran los subconjuntos
F0 = {p(x) | p(0) = 0}
F1 = {p(x) | p(1) = 0}
F1 = {p(x) | p(1) = 0}
a) Probar que F1 , F0 y F1 son subespacios de P3 .
b) Hallar una base para cada subespacio.
Respuesta: b) F0 =gen{x, x2 , x3 }, F1 =gen({1 + x, 1 + x2 , 1 + x3 }),
F1 = gen({1 + x, 1 + x2 , 1 + x3 })
36. Calcule explcitamente los siguientes espacios:
a) El espacio generado por el vector (1, 2, 3) en R3 .
b) El espacio generado por los polinomios
p1 (x) = 3 + x2 + x3 y p2 (x) = x + 1.
1
c) El espacio generado por los vectores 1 ,
donde
0
1
2 , 1 en R3 .
7
3
Rta. a) Recta que pasa por el origen en direccion del vector (1, 2, 3), b) Todos
los polinomios de la forma 3a + b + bx + ax2 + ax3 , a, b R, c) R3 .
37.
167
41. Sea P3 el espacio vectorial de los polinomios de grado menor o igual a 3; y sean
W = {p P3 : p(0) = 0} y U = {p P3 : p(1) = 0}. Muestre que W y U son
subespacios del espacio P3 . Determinar una base para W , una base para U y
una base para W U.
42. Sean V = R3 y W = {(x, y, z) : x + 2y + 3z = 0}.
a) Encuentre dos vectores v~1 y v~2 , que generen a todo W .
b) Esta el vector ~v = (1, 1, 1) en el gen{v~1 , v~2 }?
43. Determine si la transformacion dada es o no lineal
y
x
2
2
=
a) T : R R ,
T
x
y
x
1
3
2
y
=
b) T : R R ,
T
z
z
xy
x
2
2
=
c) T : R R ,
T
x
y
f ) T : P2 P1 , T (a + bx + cx2 ) = b + cx
168
44. Se dice
que la matriz A conmuta con la matriz B si AB = BA. Muestre que si
a b
conmuta con toda matriz 2 2, entonces existe un escalar k tal
A=
c d
que A = kI.
1 0
Sugerencia: Considere por ejemplo los productos AB, BA, con A =
0 0
0 1
.
yB=
0 0
CAPITULO
6
DETERMINANTE DE UNA TL
Regresamos ahora a la teorizacion sobre algebra lineal para poder avanzar en aplicaciones. Los resultados de esta seccion los necesitamos para hallar soluciones a sistemas
de ecuaciones, poder medir la cantidad de soluciones a un sistema de ecuaciones, para
hallar la inversa de una matriz y para diagonalizacion de matrices. Tambien representan una poderosa herramienta para retroalimentacion en contra de errores que son tan
comunes en algebra lineal.
6.1.
TL y determinantes
363. Definici
on. El determinante Det(T ) de una T L T : Rn Rn es el determinante de la matriz de T . La definicion se aplica s
olo cuando el dominio y el codominio
coinciden.
Recordemos que para hallar la matriz de una T L T se toma cada uno de los elementos de la base natural y se pasa por T . El resultado se escribe verticalmente formando
una matriz, la matriz de T . Dicho de otra manera, para hallar la matriz de T se toma el
n-plp unitario (la base natural), se transforma por T y el n-plp resultante, en notacion
vertical, da la matriz de T . Una vez que uno tiene la matriz, se la interpreta como un
plp y se le saca el determinante y ese es Det(T ).
T (~j)
~j
T (~i)
~i
Figura 6.0. El determinante de una T L T es el determinante de la imagen del plp
definido por la base natural.
En resumen, el determinante de una transformacion lineal T es el volumen (signado)
de la imagen por T del plp unitario.
169
170
2 3
1
4
6.1. TL Y DETERMINANTES
171
172
Ahora bien, si T apachurra al n-plp unitario, eso significa que hay muchos vectores
que al ser transformados caen sobre el mismo vector. Por lo tanto, T no es inyectiva,
~ = Y~ no tiene garanta de tener solucion u
no es 1-1, y por tanto, la ecuacion T (X)
nica.
Puede incluso que no tenga solucion.
Pero si Det(T ) 6= 0, eso implica que T no apachurra al n-plp unitario y por ende
no apachurra a nadie, y por tanto T es 1-1, es inyectiva. Eso quiere decir que si la
~ = Y~ tiene solucion, esta es u
ecuacion T (X)
nica. Pero, cuando hay solucion? Cuando
la transformacion es sobre, es decir, cuando para cualquier Y en el co-dominio existe
un X en el dominio tal que T (X) = Y . Cuando una T L es sobre?
371. Teorema y definici
on. Una transformaci
on lineal T : Rn Rn es 1-1 ssi
es sobre. Por tanto, si el sistema T (X) = Y tiene solucion, es u
nica.
Demostraci
on. Si T es 1-1, esta no puede apachurrar al plp unitario, i.e. la imagen
del plp unitario es una base que expande todo el codominio. Por lo tanto, T es sobre.
Supongamos ahora que T es sobre. Esto quiere decir que la imagen de T llena todo el
codominio. Esto implica que la imagen del plp unitario expande todo Rn . Puesto que
el plp unitario tiene n vectores, su imagen tiene maximo n vectores y debe expandir
un espacio de dimension n. Por lo tanto, la imagen del plp unitario es una base de Rn
y no puede ocurrir ning
un apachurramiento, dos vectores del dominio no pueden caer
sobre el mismo vector del codominio: T es 1-1. Por lo tanto, si la ecuacion T (X) = Y
tiene solucion, es u
nica.
372. Ejercicio Una T L puede entenderse dinamicamente como un proceso y geometricamente como una deformacion o transformaci
on. Una T L tiene inversa cuando
se puede reversar. Oficialmente, una T L T : V W tiene inversa cuando tiene inversa
como funcion, es decir, cuando existe G: W V tal que G F = I y F G = I, donde
I es la identidad en el dominio correspondiente. Demuestre que una transformaci
on
lineal T tiene inversa ssi su determinante est
a definido y no es cero. De ejemplos.
Como saber si dicha inversa es u
nica, o si es T L o no?
373. Definici
on. El determinante de un sistema de n ecuaciones con n variables
es el determinante de la matriz asociada a dicho sistema.
374.
Ejemplo
El sistema:
2x + 4y = 3
3x 7y = 5
2
4
3 7
6.1. TL Y DETERMINANTES
173
2x + 4y = 3
3x 7y = 5
~j
~i
(4, 7)
Figura 6.1. Plastica lineal. T transforma o deforma el plp unitario en un plp.
M toma el cuadrado unitario formado por ~i, ~j y lo transforma en el paralelogramo
definido por los vectores (2, 3), (4, 7). El cuadrado unitario tiene area 1, pero el paralelogramo en que M transforma dicho cuadrado tiene area 26. El signo menos quiere
decir que mientras que en el cuadrado unitario uno va de ~i a ~j contrario a las manecillas
174
del reloj, en el paralelogramo imagen uno va de M (~i) hacia M (~j) con las manecillas
del reloj.
Puesto que el determinante de M no es cero, M no apachurra al plano al transformarlo. Por lo tanto, T es 1-1 y sobre. Eso quiere decir que a ning
un vector del
codominio le llega mas de un vector y que a todo punto del plano imagen le llega un
~ =B
~ tiene soluvector del plano preimagen. Por tanto, todo sistema de la forma M W
cion. Ademas, la solucion es u
nica. Pues si no fuese as, la T L M apachurrara alg
un
vector sobre otro y el determinante sera cero.
378. Ejemplo
el sistema:
2x + 4y = a
4x + 8y = b
T
~j
~i
T (~i) = (2, 4)
6.1. TL Y DETERMINANTES
175
2x + 4y = 5
4x + 8y = 10
Como podemos simplificar la segunda ecuacion por dos, el anterior sistema es equivalente a
2x + 4y = 5
2x + 4y = 5
y este nuevo sistema tiene una ecuacion repetida que no aporta informacion. Podemos tacharla. Solo queda la ecuacion:
2x + 4y = 5
despejando y = (5 2x)/4.
Es decir, cualquier par de valores de la forma (x, (5 2x)/4) satisface el sistema.
Por ejemplo, (0, 5/4) o bien, (1, 3/4). Infinitas soluciones que forman una lnea, la cual
tiene un grado de libertad.
~ =B
~ con B
~ = (5, 10), o sea, sobre
Todo eso fue as porque tomamos el sistema M X
la lnea y = 2x que es sobre la cual M apachurra todo el plano preimagen.
Resolvamos ahora el sistema:
2x + 4y = 5
4x + 8y = 11
Como podemos simplificar la segunda ecuacion por dos, el anterior sistema es equivalente al sistema
2x + 4y = 5
2x + 4y = 5,5
176
6.1. TL Y DETERMINANTES
381.
Ejemplo
177
2x + 4y + 5z = 25
3x + 4y 8z = 13
5x + 8y 3z = 12
Este sistema contiene una T L asociada
3
M=
5
4
5
4 8
8 3
Esta matriz toma vectores con 3 coordenadas (x, y, z) en R3 y produce vectores con
3 coordenadas dadas por (2x+4y+5z, 3x+4y8z, 5x+8y3z). Por lo tanto, define una
T L T : R3 R3 . Concretamente T (x, y, z) = (2x + 4y + 5z, 3x + 4y 8z, 5x + 8y 3z).
Para saber si hay apachurramiento o no del cubo unitario calculemos el
Det(T ) = 2(12 + 64) 4(9 + 40) + 5(24 20) = 104 124 + 20 = 0.
Hay apachurramiento del cubo unitario. Pero es posible que todo el cubo sea transformado en un plp, pero que ninguna arista del cubo unitario sea apachurrada sobre
cero, porque una de sus aristas quede apachurrada sobre el plano formado por las
imagenes de los otros dos vectores. Hallemos un 3-plp tal que las aristas apachurradas
caigan sobre cero. Se procede as:
Resolvemos el problema: hallar ~v : T (~v ) = ~0. Es decir, hallar (x, y, z) tales que
(2x + 4y + 5z, 3x + 4y 8z, 5x + 8y 3z) = (0, 0, 0)
Procedemos con Gauss-Jordan para resolver dicho sistema. El vector independiente
es siempre cero, y aunque combinemos los renglones, sigue siendo cero. Por lo tanto,
es siempre cero y se escribe:
2 4
5
3 4 8
5 8 3
1 0 13
R2 R1
31
3R1 2R2 0 4
0 0
0
R1 + R2 R3
1 0 13
R2/4 0 1 31/4
0 0
0
Eso significa que el sistema original es equivalente a:
x 13z = 0
y + (31/4)z = 0
o lo que es lo mismo
x = 13z
y = (31/4)z
178
Por lo tanto el conjunto de vectores que se aniquilan sobre cero quedando totalmente apachurrados es de la forma (13z, (31/4)z, z) = z(13, 31/4, 1). Por lo tanto,
podemos armar un plp cuya primera arista sea (13, 31/4, 1), la cual quedara totalmente apachurrada. Completemos ahora el 3-plp con otros dos vectores que no seran
apachurrados, es decir, que sus imagenes formen un conjunto LI.
La T L dada esta definida por
T (x, y, z) = (2x + 4y + 5z, 3x + 4y 8z, 5x + 8y 3z)
en notacion vertical eso se lee as:
5
4
2
2x + 4y + 5z
x
T y = 3x + 4y 8z = x 3 + y 4 + z 8
3
8
5
5x + 8y 3z
z
lo cual significa que T transforma todo el dominio en una combinacion lineal arbitraria de los vectores columna ah expresados. Nosotros ya sabemos que esos 3 vectores
no pueden expandir un espacio 3D, pues de lo contrario el cubo unitario no se apachurrara. Por lo tanto, dicho conjunto es LD. Ellos expanden un espacio 2D, generado por
un conjunto LI con 2 vectores. Vemos claramente que los dos primeros vectores forman
un conjunto {(2, 3, 5), (4, 4, 8)} que es LI puesto que no son m
ultiplos. Por lo tanto, el
tercer vector es una combinacion lineal de los otros dos:
(5, 8, 3) = 13(2, 3, 5) + (31/4)(4, 4, 8)
Por tanto, T transforma el espacio 3D en un nuevo espacio generado por estos dos
vectores, {(2, 3, 5), (4, 4, 8)}. Dicho espacio tiene dimension 2, un n
umero que se llama
el rango de T .
Estamos hallando una base, es decir, un 3-plp cuyos vectores forman un conjunto LI
tal que una de sus aristas se apachurre contra cero y las imagenes de las otras dos formen
un conjunto LI. El vector que se apachurra es (13, 31/4, 1) y los otros dos vectores
pueden tomarse como cualquiera de las preimagenes de los vectores {(2, 3, 5), (4, 4, 8)}.
~ Y~
382. Ejercicio Para terminar la demostraci
on anterior encuentre dos vectores X,
~ = (2, 3, 5) y T (Y ) = (4, 4, 8). Pruebe que el conjunto {X,
~ Y~ , Z}
~ con
tales que T (X)
3
~ = (13, 31/4, 1) es una base de R . Por lo tanto, el plp definido por dicho conjunto
Z
es tal que una de sus aristas se apachurra sobre cero mientras que las im
agenes de los
otros dos generan la imagen de T . El primero se apachurra sobre cero, pero los otros
dos conservan su independencia lineal al ser transformados.
6.2.
N
ucleo e imagen de una TL
6.2. NUCLEO
E IMAGEN DE UNA TL
179
383. Definici
on. Sea una transformaci
on lineal T : Rn Rm . El conjunto de
vectores que se apachurran totalmente por T se denomina espacio nulo, n
ucleo o
Kernel de T y se nota Ker(T ) y su dimensi
on se denomina nulidad y se nota (nu).
El conjunto formado por todas las im
agenes de T se denomina el espacio imagen,
se nota Im(T ) y su dimensi
on se denomina rango y se nota (ro).
En el anterior ejemplo, la nulidad es 1 y el rango 2. El espacio de salida es 3D. No
es una coincidencia que 1 + 2 = 3.
384. Teorema de las dimensiones. Para toda T L, T : Rn Rm se tiene que
la nulidad + el rango = dimensi
on del espacio dominio.
Es usual escribir esta ecuaci
on como n = +
DOMINIO
E. NULO
CODOMINIO
~0
IMAGEN
Demostraci
on. Existe un n-plp, cuyos vectores forman una base del dominio, tal que el
n
umero de aristas apachurradas es igual a la nulidad , mientras que las otras aristas,
que son = n , tienen imagenes que forman un conjunto LI que expanden todo el
espacio imagen. Claramente n = + .
Para traducir los anteriores resultados en terminos de sistemas de ecuaciones necesitamos formalizar una definicion y a
nadir un teorema adicional:
180
~ = ~0 se llama homog
385. Definici
on. Un sistema de la forma M X
eneo.
~
~
Un sistema de la forma M X = B, con B 6= 0, se llama no homog
eneo. Un vector
~
especfico P que resuelve el sistema no homogeneo se llama soluci
on particular. Una
~ g se dice que es la soluci
familia de vectores X
on general al sistema, si cada miembro
de la familia es solucion y si cada solucion es un miembro de la familia.
~ =B
~
386. Teorema y ejercicio. La solucion a un sistema de ecuaciones M X
~ =N
~ + P~ donde N
~ representa el espacio nulo de M ,
se puede descomponer como X
~
~ = B.
~ Se acostumbra decir
solucion de M X = ~0 y P es cualquier solucion a M X
que la solucion a un sistema lineal de ecuaciones puede expresarse como la suma de
una solucion particular del no homogeneo, P~ , mas la solucion general a la ecuaci
on
~
homogenea, M X = 0.
Demostraci
on: Ejercicio.
387.
Estudiemos el sistema
x + 3y = 7
3x + 9y = 21
Multiplicando la primera ecuacion por 3, obtenemos la segunda. Por tanto, la segunda ecuacion es redundante y podemos olvidarla. La primera ecuacion da:
y = 73 x3
lo cual significa que el conjunto solucion al sistema consiste de los pares
(x, y) = (x, 37 x3 ). Esta solucion puede ser escrita tambien como
(0, 37 ) + (x, x3 ) = (0, 73 ) + x(1, 31 ).
Por tanto, la solucion es una lnea que pasa por el punto (0, 73 ) y cuyo vector
director es (1, 13 ) y que tiene pendiente -1/3. Verifiquemos que (0,7/3) es en verdad
una solucion: x + 3y = 7 se convierte en 0 + 3( 73 ) = 7 que es una identidad.
El sistema homogeneo es
x + 3y = 0
3x + 9y = 0
Este sistema es redundante: multiplicamos la primera ecuacion por 3 y obtenemos
la segunda, la cual podemos olvidar. La solucion a la primera ecuacion es y = x/3, la
cual es una lnea que pasa por el origen y cuya pendiente es 1/3. Esta generada por
el vector (1, 1/3). Observemos que la solucion al sistema no homogeneo es la solucion
al sistema homogeneo, x(1, 1/3), mas una solucion especfica particular, (0, 7/3).
Ambos sistemas tienen asociada la misma T L, cuya matriz es
1 3
M=
3 9
El n
ucleo es el conjunto de vectores que caen sobre cero, i.e. son la solucion a la
homogenea, que es la lnea {(x, y): x, y R, y = x/3}.
La imagen de una matriz es, por definicion, la imagen de la T L asociada. En
consecuencia,
6.2. NUCLEO
E IMAGEN DE UNA TL
181
x + 3y
x
1 3
=
Im(M ) =
3x + 9y
y
3 9
1
1
1
3
1
= (x + 3y)
+ 3y
=x
+y
=x
3
3
3
9
3
o, Im(M ) es el sub-EV generado por (1, 3). Observemos que es una lnea con un
grado de libertad a pesar de que tiene como coeficiente (x + 3y): no importa como
combine uno x con y, siempre tenemos un m
ultiplo de (1, 3), o elementos de la forma
t(1, 3). Esto significa que el punto (x, y) Im(M ) ssi x = t, y = 3t. Por tanto, la
imagen es la lnea y = 3x con pendiente 3. Puesto que la lnea y = x/3 es solucion
del sistema homogeneo, con pendiente 1/3, somos testigos de que para esta matriz el
kernel y la imagen son perpendiculares.
El Det(M ) = 9 9 = 0, mostrando que M apachurra a R2 contra la imagen, la
lnea y = 3x. En particular, la lnea y = x/3 es apachurrada contra cero siguiendo
la direccion del vector director. Eso nos motivara a pensar que el conjunto solucion al
sistema no homogeneo, la lnea y = 7/3 x/3, es apachurrada contra la interseccion
de esta lnea con la lnea imagen y = 3x. Vamos a ver si eso es cierto o no.
El punto interseccion de la lnea solucion con la lnea imagen es la solucion al sistema
y = 7/3 x/3
y = 3x
Esto implica que 7/3 x/3 = 3x, o, 7 x = 9x, o x = 7/10 mientras que y = 21/10.
Nosotros estamos pretendiendo que la imagen de la lnea solucion y = 7/3 x/3 es
(7/10, 21/10). Es verdad?
Imagen
y = 7/3 x/3
Solucion
Kernel
y = 3x
y = x/3
1 3
3 9
x
7/3 x/3
x + 3(7/3 x/3)
3x + 9(7/3 x/3)
7
21
x+7x
3x + 21 3x
182
Por lo tanto, hemos malinterpretado algo, hemos imaginado que M apachurra todo
contra la lnea imagen de M en una direccion paralela al Kernel. Pero, M no es as de
simple. Para verlo, consideremos la imagen por M de los vectores (1, 1/3) y (1, 3).
El primer vector esta en el n
ucleo, por lo tanto, es apachurrado contra cero. Pero la
imagen del segundo vector es:
1
10
1
1 3
= 10
=
M=
3
30
3
3 9
por lo que M no apachurra (1, 3) sino que lo elonga 10 veces.
Tenemos entonces una interpretacion geometrica de M. Ella apachurra los vectores
en la direccion y = x/3 pero elonga 10 veces los vectores en la direccion y = 3x.
Adicionalmente, tenemos la siguiente confirmacion: la matriz M genera la T L
M : R2 R2 tal que Dim(Ker(M ))+Dim(Im(M )) = 1 + 1 = 2 = dimension del
dominio, lo cual se escribe usualmente como + = n y que se puede leer como:
nulidad mas rango igual a n
umero de inc
ognitas.
N
umero de grados de libertad de la solucion = 1 =Dim(kernel).
388. Ejercicio En el ejemplo previo, el Kernel y la imagen de M fueron perpendiculares mutuamente: Es una coincidencia o un teorema por descubrir? Para enriquecer
la pregunta, estudie los sistemas
a) x + 3y = 7; 3x + 9y = 21
b) ax + by = 7; bx + cy = 21
389.
Resolvamos el sistema
2x + 4y + 5z = 25
3x + 4y 8z = 13
5x + 8y 3z = 12
2 4
5
3 4 8
5 8 3
R2 R1 1 0 13
3R1 2R2
31
0 4
R1 + R2 R3
0 0
0
1 0 13
R2/4
0 1 31/4
0 0
0
..
.
25
..
. 13
..
.
12
..
. 38
..
. 101
..
.
0
..
.
38
..
. 101/4
..
.
0
6.2. NUCLEO
E IMAGEN DE UNA TL
183
x 13z = 38
y + (31/4)z = 101/4
o lo que es lo mismo
x = 38 + 13z
y = 101/4 (31/4)z
En notacion vertical la solucion se puede escribir como:
13
38
38 + 13z
x
y = 101/4 (31/4)z = 101/4 + z 31/4
1
0
z
z
13
1
x
y = 2 + z 31/4
1
3
z
Vemos que el Kernel de la T L asociada, llamemosla M , es generado por el vector
(13, 31/4, 1). La dimension del Kernel es uno. Por lo tanto, la imagen debe estar
generada por dos vectores para que su dimension sea dos.
El determinante de M es cero. Por lo tanto, la T L M apachurra el espacio R3 contra
la imagen:
2
4
5
Im(M ) = x 3 + y 4 + z 8
5
3
8
Estos tres vectores generan el subespacio Im(M ), pero deben formar un conjunto
LD. Los dos primeros vectores {(2, 4, 5), (3, 4, 8)} forman un conjunto LI porque
uno no es m
ultiplo del otro. Por lo tanto, esos dos vectores generan toda la imagen
de M . Un conjunto generado por dos vectores es un plano, cuyo vector normal es el
producto cruz de dos vectores no paralelos sobre el plano: el vector normal al plano
es (52, 31, 4). La imagen de una T L es un EV , por lo tanto, el plano pasa por el
origen. Por lo que la ecuacion del plano es 52x + 31y 4z = 0. En conclusion, M
apachurra el espacio 3D sobre el plano cuya ecuacion es 52x + 31y 4z = 0, pero
a
un no sabemos que es lo que M hace sobre el plano. Aprenderemos mas acerca de
esto en un proximo captulo sobre diagonalizacion.
De otro lado, podemos decir que un sistema de la forma M X = B, con la M de
este problema, a veces tiene solucion y a veces no. El sistema tiene solucion cuando
B y en ese caso la solucion no es u
nica: a cualquier solucion podemos a
nadir el
Kernel, el cual es la lnea generada por (13, 31/4, 1). Pero si B no esta en , no hay
solucion y el sistema sera inconsistente.
184
2x y = 3
4x 2y = 6
b)
xy = 1
4x 4y = 4
x + 4y + 2z = 25
2x y 5z = 10
c)
x + 3y 3z = 15
2x + 4y + 5z = 25
4x + 8y + 10z = 50
d)
6x + 12y + 15z = 75
185
2x + 4y + 5z = 25
3x + 4y 8z = 13
e)
5x + 12y 3z = 12
393. Tema de investigaci
on para exponer. Investigue los sistemas de Lindenmayer y los fractales. Puede empezar con el libro de Prusinkiewicz (1989). Internet tambien es muy rico en literatura sobre el tema, el cual puede explorarse en
www.Google.com/. Para poder descifrar la car
atula del libro correctamente necesita estudiar y entender este tema propuesto. Es un tema bellsimo.
6.3.
Ejercicios de repaso
186
Respuesta: a) Ker(T ) =gen
Rango= 1,
5. Considere la matriz A =
para que
a) Rango de A sea igual a 1.
1
1
a b c
1 1 1
, nulidad=1, Imagen(T ) = R,
6.4.
Resumen
CAPITULO
7
LA MATRIZ INVERSA
La inversa de una transformacion lineal es una funcion que deshace lo que la primera
hizo. No toda transformacion lineal tiene inversa. Pero cuando la inversa de una T L
existe, podemos probar que es otra T L. Como una T L en dimension finita es una
funcion que puede representarse por una matriz, el problema de la T L inversa es el
de la matriz inversa, es decir, el de encontrar otra matriz que al multiplicarla por la
primera nos de la identidad. Un algoritmo para el calculo de la inversa puede verse
directamente en el ejemplo 405.
394. Definici
on. Si existe (como funcion) la inversa de una T L, T : V W,
~ =X
~ y viceversa:
se denota T 1 : W V la cual deshace lo que T hizo: T 1 (T (X))
1 ~
~ est
T (T (Y )) = Y~ donde X
a en el dominio de T , que es V , y Y~ en su codominio, W .
~
X
Y~
T 1
Figura 7.0. La transformacion inversa.
187
188
395. Definici
on. T es una T L invertible si existe su inversa como funci
on.
396. Ejemplo T (x) = 3x es una T L de R en R. Ella multiplica por 3 un n
umero
dado. Por consiguiente, su inversa debe ser aquella funcion que divide por 3 a cualquier
n
umero: T 1 (y) = (1/3)y. En efecto, si las componemos, tenemos:
T 1 (T (x)) = T 1 (3x) = (1/3)(3x) = x
y ademas,
T (T 1 (y)) = T ((1/3)y) = 3(1/3)y = y.
Observese que la inversa de una T L no necesariamente existe, pensemos en esto: si T
denota una proyeccion, digamos, T (x, y) = (x, 0), entonces, esta funcion asocia a cada
vector su componente x dejando de lado su componente y. Por ejemplo, T (3, 4) = (3, 0)
y T (3, 5) = (3, 0). Ahora preguntamos: cual es T 1 (3, 0)? Es (3, 4) o es (3, 5). Puesto
que no se puede escoger un u
nico valor, entonces T no tiene inversa. Pero si la inversa
llegase a existir, de antemano se sabe que debe ser T L. En efecto:
397. Teorema. Si T es una T L y es invertible, su inversa tambien es T L.
Demostraci
on. Sea T 1 la funcion inversa de T . Sea T (~x) = ~z, T (~y ) = w,
~ que es lo
1
1
mismo que decir que: T (~z) = ~x, T (w)
~ = ~y .
Por tanto:
T 1 (~z + w)
~ = T 1 (T (~x) + T (~y )) = T 1 (T (~x + ~y ))
= ~x + ~y = T 1 (~z) + T 1 (w),
~
lo cual demuestre que T 1 reparte la suma y es compatible con la multiplicacion
escalar y por lo tanto es lineal.
398. Teorema y ejercicio. La matriz de la T L inversa de M es una matriz M 1
tal que
M M 1 = M M 1 = I
Demostraci
on: ejercicio.
7.1.
El c
alculo de la inversa
Para hallar la inversa hay varios caminos. Uno de ellos es plantear el producto
de matrices dado en el teorema anterior y sacar n2 ecuaciones y resolverlas. Eso es
mucho trabajo. Existe un metodo mucho mas facil conocido como el algoritmo de
Gauss-Jordan para la inversa.
Recordamos que el algoritmo de Gauss-Jordan para resolver un sistema de ecuaciones consiste en recobrar la matriz identidad. Por otra parte, un sistema de ecuaciones
~ = B,
~ o sea que solucionarlo corresponde a hallar la imagen inversa
se escribe como M X
~
de B por M . En efecto, si la inversa de M existe, multiplicando la ecuacion a resolver
a ambos lados por la inversa tenemos:
7.1. EL CALCULO
DE LA INVERSA
189
~ = M 1 B
~
M 1 M X
1 ~
~
IX = M B
~ = M 1 B
~
X
Todo esto nos hace pensar que al resolver un sistema de ecuaciones con solucion
u
nica, implcitamente se ha resuelto la inversa. Los siguientes teoremas nos dicen que
nuestra intuicion es correcta. Nuestro primer paso sera demostrar que el algoritmo de
Gauss-Jordan para resolver sistemas de ecuaciones puede automatizarse.
399.
Ejemplo
a b
c d
1 0
1 1
..
.
..
.
a
b
c
d
..
..
SM = ... ... ...
1 0 ...
a
b
..
1 1 . a+c b+d
401. Definici
on. Se dice que G es un algoritmo lineal si G es una cadena de
matrices o T L que cambia matrices en matrices.
402. Ejemplo
algoritmo lineal.
403. Teorema. Todo algoritmo lineal G que se aplica sobre una matriz M es
equivalente a multiplicar a M por una matriz.
190
Demostraci
on. Una matriz es un arreglo rectangular que lo escribimos de esa forma
para nuestra conveniencia. Pero tambien podramos haberla escrito en forma lineal,
formando un gran vector. Visto de esa forma, una matriz como un gran vector, usamos ahora el hecho que toda T L tiene una matriz asociada. Por tanto, toda T L sobre
matrices tiene otra matriz y por consiguiente todo algoritmo lineal tambien tiene una
matriz. Visto con mas calma, toda operacion entre filas para reducir una matriz tiene
una matriz asociada, y al ir encadenando dichas operaciones lo que realmente hacemos
es ir multiplicando las matrices asociadas correspondientes. Al terminar toda la reduccion, tenemos un gran producto de matrices asociadas, la cual da una gran matriz,
que es aquella a la que se refiere este teorema.
7.1. EL CALCULO
DE LA INVERSA
R1 R2
R1/4
R2/7
R1 4R2
R1/3
.
12 16 .. 4
0
..
0 7 . 4 3
191
!
..
. 28
..
. 7
.
3 4 ..
1
0
..
0 1 . 4/7 3/7
!
..
. 7
..
. 1
.
3 0 .. 9/7 12/7
.
0 1 ..
4/7 3/7
!
..
. 3
..
. 1
!
.
.
1 0 .. 3/7
4/7 .. 1
.
.
0 1 ..
4/7 3/7 .. 1
..
. 3/7
4/7
..
.
4/7 3/7
..
..
T S = ... ... ...
3 4 ...
7/7
0
..
4 3 .
0
7/7
Como podemos estar seguros de que esta es la matriz correcta? Por verificacion
directa o tambien haciendo la tarea sobre la identidad. Recordemos que la tarea era
multiplicar la primera fila por 4 y la segunda por 3: si hacemos esa operacion sobre la
identidad, obtenemos la matriz Z1 .
Despues ponemos en la fila 2 a R1 R2 , fila uno menos fila dos. Eso se hace
automaticamente multiplicando por
192
Z2 =
1
0
1 1
Z3 =
1/4
0
0 1/7
Ahora, ponemos sobre la fila uno, R1 4R2 , una tarea que se hace con
Z4 =
1 4
0
1
Z5 =
1/3 0
0 1
7.1. EL CALCULO
DE LA INVERSA
193
..
.
..
.
0
3
.
..
1
0
4
0
.
1 1 ..
4
3
..
..
..
0 .
1
0
1/4
0 1/7 ...
4/7
3/7
.
.
1 4 . 9/7 12/7
0
1 ..
4/7 3/7
..
1/3
0 . 3/7
4/7
..
0
1 .
4/7 3/7
194
Ejemplo
Sea
a b c
M = d e f
g h i
a d g
Mt = b e h
c f i
7.1. EL CALCULO
DE LA INVERSA
195
a g
c
1
Adj(M )
DetM
.
415.
Ejemplo
a b
c d
196
M (Adj(M )) =
En definitiva
ad bc
0
0 ad bc
= (detM )I.
416. Ejercicio Tome las matrices siguientes e inviertalas por el metodo de cofactores. Verifique su respuesta multiplicando las dos matrices y recobrando la identidad.
1 2 3
a) 4 5 6
7 8 9
1 0
1
b) 2 0 1
2 3
0
417. Ejercicio Para que valores de la matriz siguiente es invertible?
1
2
3
0 1
1
0
1
LU
7.2. LA DESCOMPOSICION
197
7.2.
La descomposici
on LU
Ejemplo
1 1
1
M = 0 1 2
1
1 1
1 1
1
0 1 2
1
1 1
..
. 1 0 0
..
. 0 1 0
..
. 0 0 1
1 1
1
0 1 2
R1 R3
0 2
2
1 1 1
R2 0
1 2
0 2 2
..
.
..
.
..
.
..
.
..
.
..
.
1 0
0 1
0
0
1
0
0 1
0 1
0
1
0
1
198
.
1 1 1 .. 1
0
0
..
0
1
2
.
0
1
0
..
2R2 + R3
0
0 6 . 1 2 1
..
0
R1 + R2 1 0 3 . 1 1
0 1 2 ... 0 1
0
..
0 0 6 . 1 2 1
..
0
1
2R1 R3 2 0 0 . 1
0 1 2 ... 0 1
0
..
0 0 6 . 1 2 1
..
2 0 0 .
1
0 1
3R2 R3 0 3 0 .. 1 1 1
..
0 0 6 .
1 2 1
..
1/2
0 1/2
(1/2)R1 1 0 0 .
.
.
(1/3)R2 0 1 0 . 1/3 1/3 1/3
.
(1/6)R3
0 0 1 ..
1/6 2/6 1/6
Ahora codificamos cada transformacion entre los renglones de M como una matriz
que se halla aplicando sobre la identidad la operacion dada:
La operacion de poner en la tercera fila R1 R3 corresponde a
1 0
0
0 1
0
1 0 1
La operacion de poner en la segunda fila R2 corresponde a
1
0 0
0 1 0
0
0 1
1 0 0
0 1 0
0 2 1
La operacion de poner en la primera fila
1 1
0 1
0 0
R1 + R2 corresponde a
0
0
1
LU
7.2. LA DESCOMPOSICION
199
2 0 1
0 1
0
0 0
1
1 0
0
0 3 1
0 0
1
La operacion de multiplicar la primera fila por 1/2, la segunda por 1/3, la tercera
por 1/6 corresponde a
1/2
0
0
0 1/3 1
0
0 1/4
200
1
0
0
0
0 1
0
0
1
1
0
0
0
1
0
0
2
1
1
1
0
0
1
0
0
1
0
2
0 1
0
1
0
0
0
1
1
0
0
0
3 1
0
0
1
0
0
1/2
0 1/3
0
0
0 1/6
..
.
..
.
..
.
..
..
.
..
.
..
.
..
..
.
..
.
..
.
..
..
.
..
.
..
.
..
..
.
..
.
..
.
..
..
.
..
.
..
.
1
..
0
..
1
..
1
..
0
..
1
..
1
..
2
..
1
..
1
..
2
..
1
..
1
..
2
..
1
..
1
..
2
..
1
..
..
..
.
1/2
0
1/2
..
. 1/3 1/3
1/3
..
.
1/6 1/3 1/6
LU
7.2. LA DESCOMPOSICION
1 1
1
0 1 2
1
1 1
201
..
.
1/2
0
1/2
..
. 1/3 1/3
1/3
..
.
1/6 1/3 1/6
..
..
..
..
..
.
1
0
0
..
.
0
1
0
..
.
0
0
1
Ahora notemos que algunas matrices de Gauss que hemos encontrado son del tipo
U , i.e., (upper triangular) triangular superior: todas sus entradas que no son cero estan
por encima de la diagonal o en ella. Y hay otras que son L (lower triangular) triangular
inferior, cuyas entradas no nulas estan por debajo de la diagonal o en ella. As podemos
formular el siguiente Teorema.
420. Propuesta. Cuando una matriz M es invertible, puede descomponerse como
un producto de una matriz triangular inferior por una triangular superior.
Demostraci
on. Nuestro teorema se basa en una interpretacion del ejemplo anterior en
el cual demostramos que toda inversa puede escribire como un producto de matrices
de Gauss. Ahora bien, nosotros elaboramos los calculos de tal forma que primero trabajamos la parte abajo de la diagonal, asegurandonos que estuviese rellena de ceros.
Eso se logro con matrices L. Y despues, elaboramos la parte de arriba de la diagonal
con matrices U . Cabe aclarar que tambien tocamos la diagonal, lo cual se hace con
matrices que clasifican tanto de L como de U .
Por lo tanto, nuestro ordenado trabajo puede escribirse simbolicamente como
M 1 = Un ...U2 U1 Lm ...L2 L1
donde las Li son matrices tipo L y las Uj son de tipo U .
Puede probarse que el producto de matrices tipo U es U y que el producto de
matrices tipo L es L. Por tanto, todo puede comprimirse en
M 1 = U L
Ahora tomemos la inversa a cada lado. Tengamos presente que la inversa de un
producto de matrices cambia el orden del producto, pues una matriz corresponde a
una T L y cuando se componen las T L el camino inverso reversa el orden de aparicion.
Si tomamos la inversa a ambos lados obtenemos
M = (U L)1 = L1 U 1
pero como la inversa de una matriz tipo U existe y es U y la inversa de un matriz
tipo L existe y es L, podemos escribir
M = LU
lo cual dice que la matriz se pudo descomponer como un producto de una matriz
L por una U .
421. Ejercicio Ilustre con ejemplos apropiados las aseveraciones gratuitas formuladas en la demostraci
on de la propuesta anterior, como que una matriz triangular tiene
inversa (Alerta: para ello se requiere que todo elemento de la diagonal sea diferente de
cero, lo cual lo cumplen todas nuestras matrices. Por que?).
202
422. Objeci
on a la propuesta de descomposici
on LU. En el proceso de
reduccion de un sistema de ecuaciones pueden aparecer filas de ceros que habra que
poner en u
timo lugar o soluciones desordenadas que habra que ordenar. Eso se hace
intercambiando filas. Esta operaci
on es generada por una matriz que no es triangular.
Para verlo, consideremos el siguiente ejemplo:
Sea el sistema que indica una solucion desordenada:
3y = 4
5x = 6
0 1
1 0
1 1
0 1
1 0
1 1
1 1
0 1
El problema es que esta descomposicion intercala matrices tipo U con matrices tipo
L y por eso crea problemas en nuestra descomposicion LU . Se ha optado por dejar
estos casos de lado y lo ponemos como advertencia.
424. Teorema. Cuando una matriz M es invertible y el proceso de inversi
on no
involucra intercambio de filas, M puede descomponerse como un producto M = LU
donde L es una una matriz triangular inferior, U es una triangular superior y tanto L
como U est
an libres de ceros en la diagonal.
LU
7.2. LA DESCOMPOSICION
203
204
~ = G1 (GB).
~ Aplicamos la asociatividad del producto matricial
obtener G1 (GAS)
1
1
~
~ que es equivalente a IAS
~ = IS,
~ es decir AS
~ = S,
~
para obtener (G G)AS = (G G)B)
lo cual expresa que si tenemos una solucion al sistema transformado, dicha solucion es
tambien solucion del sistema original. As hemos demostrado que nuestro algoritmo no
crea soluciones nuevas.
Puesto que nuestro algoritmo no crea ni destruye soluciones, es conservativo y sirve
para hallar la soluciones de un sistema lineal de ecuaciones.
7.3.
1.
Ejercicios de repaso
a) Mostrar que la matriz
2 3
5 7
1
= 1c A1 ?
1
2 3
7. Hallar A1 si A = 0 1 5 . Expresar A1 como un producto de matrices
0
0 4
de Gauss y A como un producto LU .
8. Suponga que A es una matriz 33 cuyo espacio nulo es una recta que pasa por
el origen en R3 . Es posible que Im(A) sea tambien una recta que pasa por el
origen? Explique claramente.
9. Existen
valores de r y s para los cuales el rango de A sea uno o dos, siendo
1
0
0
0 r2
2
A=
0 s 1 r + 2 ?
0
0
3
10. Demuestre que si A es una matriz 34 entonces los vectores columna son linealmente dependientes. Extienda el enunciado anterior y su justificacion a una
matriz real de tama
no m n con n > m.
7.4. RESUMEN
205
7.4.
Resumen
206
CAPITULO
8
CAMBIO DE COORDENADAS
8.1.
Bases arbitrarias
Una base B = {~ei }i=1,2,...,n es un conjunto de vectores LI que genera todo el espacio,
~ V , existen escalares 1 , 2 , n tal que
es decir, si X
~
X = 1~e1 + ... + n~en
~ en la base dada.
A los coeficientes i les llamamos las coordenadas del vector X
~ B . Al notar las coordenadas de
Notamos al vector de coordenadas (1 , ..., n ) como X
esa manera, se esta asumiendo que uno ha fijado un orden sobre la base dada. A una
base con un orden prefijado la llamamos marco, marco de coordenadas o marco de
referencia. Pero usaremos marco y base como sinonimos cuyo significado sera claro del
contexto.
428. Ejemplo El conjunto B = {(2, 1), (2, 1)} es una base para R2 . Ese conjunto
genera todo el plano y no tiene informacion redundante. La combinacion lineal
1(2, 1) 2(2, 1) = (2, 1) + (4, 2) = (2 4, 1 + 2) = (2, 3)
nos dice que las coordenadas de (2, 3) en la base B son el par ordenado (1, 2).
Podemos escribir
1
2
=
2
3 B
207
208
(2, 3)
(2)(2, 1)
(2, 1)
(2, 1)
Figura 8.0. En la base B = {(2, 1), (2, 1)}, (2, 3)B = (1, 2).
La nocion de coordenadas tiene sentido solamente si uno ha numerado los vectores
de la base en cuestion. Uno podra usar una notacion diferente para las coordenadas
de un vector y que no se confundan con un vector. De hecho, en algunos textos se usa
la siguiente convencion: los vectores se escriben entre parentesis redondos y las coordenadas entre parentesis cuadrados, como [1 , ..., n ]. Esta sabia medida sera ignorada,
la razon es que nos guiaremos por el contexto, sin el cual nada tiene sentido.
En general, las coordenadas de un vector y el vector seran diferentes. Pero en la
base natural son lo mismo. Por ejemplo, el vector (x, y) puede descomponerse como
(x, y) = x(1, 0) + y(0, 1)
lo cual dice que en la base natural de R2 las coordenadas de (x, y) son (x, y).
Con frecuencia usaremos las coordenadas de un vector en operaciones matriciales.
En tal caso, debemos asegurar que lo que se escriba tenga sentido: si las coordenadas de
un vector van delante de una matriz (a su derecha), las coordenadas deberan aparecer
en forma de columna. Pero si las coordenadas aparecen detras de la matriz (a su
izquierda) las coordenadas deben aparecer en forma de fila. De esa forma los productos
tendran sentido. Y todo eso sera hecho sin muchas ceremonias. Ademas, y como parte
del contexto, una base siempre esta numerada. Y hay formas de numerar mejores que
otras: que tal que numeraramos la base natural al reves!
Veamos ahora como se hace un cambio de coordenadas.
429. Ejemplo para memorizar el procedimiento Sea B = {(1, 1), (1, 1)}una
~ tenemos:
base del plano R2 . Para X
~ = 1~e1 + 2~e2
X
~ = (x1 , x2 ), las coordenadas de X
~ en la base natural son (x1 , x2 ). Esa ecuacion
Si X
puede escribirse en notacion vertical como sigue:
x1
x2
= 1
1
1
+ 2
1
1
11 12
11 + 12
1 1
1
1
1
2
Interpretemos dicha ecuacion: tenemos una matriz que es una maquina de procesamiento que acepta coordenadas (1 , 2 ) en la base B y produce como producto
209
433.
Ejemplo
210
Verifiquemos que las coordenadas de ~v en la base B son [3, 5], por lo tanto,
~ = 3~e1 + 5~e2
X
lo cual tambien lo podemos escribir verticalmente:
8
13+15
1
1
x1
.
=
=
+5
=3
2
1315
1
1
x2
211
439. Ejercicio Si las coordenadas del vector ~v en la base natural son (2, 7), encuentre
la matriz de cambio de coordenadas de N a B y las coordenadas del vector dado en la
base B, si B es
a) B = {(1, 1), (2, 1)}
b) B = {(1, 1), (3, 4)}
c) B = {(2, 2), (1, 5)}.
440.
Ejemplo Si B1 = {(5, 2), (1, 3)} y B2 = {(1, 1), (2, 5)}, encontremos IBB21 .
1
=
XB2 = (5, 2)B2 =
0
de tal forma que (5, 2)B2 = (, ), y por tanto (5, 2) = (1, 1) + (2, 5). Por consiguiente
5 = + 2
2 = + 5.
Restando, 3 = 3,
= 1,
= 2 5 = 2 + 5 = 7.
Para encontrar y , analizamos el segundo vector de B1 , (1, 3), cuyas coordenadas (1, 3)B1 en B1 son (0, 1).
Sea X = (1, 3), entonces XB1 = (0, 1). Tenemos: XB2 = (1, 3)B2 y
0
B1
=
XB2 = (1, 3)B2 = IB2 XB1 =
1
as que (1, 3) = (1, 1) + (2, 5). Por consiguiente
1 = + 2
3 = + 5.
Restando, 4 = 3,
= 4/3,
= 3 5 = 3 5(4/3) = 3 20/3 = 11/3.
En conclusion:
212
IBB21
441.
7 11/3
1
4/3
7 11/3
1
4/3
8.2. ROTACIONES EN R2
213
447. Ejercicio Si [1, 2], [3, 5] son las coordenadas de dos vectores en la base
B1 , encuentre la matriz de cambio de coordenadas de la base B1 a la base B2 y las
coordenadas en B2 de cada uno de los vectores, si las bases son:
a) B1 = {(1, 1), (2, 1)}, B2 = {(1, 1), (3, 4)}
b) B1 = {(1, 1), (3, 4)}, B2 = {(2, 2), (1, 5)}
c) B1 = {(2, 2), (1, 5)}, B2 = {(1, 1), (2, 1)}.
448. Ejercicio Si [1, 2, 3], [3, 5, 6], [4, 1, 1] son las coordenadas de tres vectores
en la base B1 , encuentre la matriz de cambio de base de B1 a B2 y las coordenadas en
B2 de cada uno de dichos vectores si las bases son:
B1 = {(2, 2, 1), (1, 5, 6)(2, 2, 3}
B2 = {(1, 1, 1), (2, 1, 1), (1, 1, 2)}.
449.
Ejemplo
8.2.
Rotaciones en R2
En esta seccion hallamos la matriz de una rotacion en R2 , lo cual sera muy importante en lo que sigue.
453. Definici
on. Una rotaci
on es una T L que conserva angulos y normas.
214
~j
( sen , cos )
(cos , sen )
~i
Para saber que hace una T L es suficiente saber que hace ella sobre una base
cualquiera. Tomemos la base natural. El vector ~i = (1, 0) es rotado pero no alargado, por lo tanto, se cambia en (cos , sen ), mientras que el vector ~j = (0, 1) se cambia
en ( sen , cos ). Por lo tanto, la matriz R de esa rotacion es:
R=
cos sen
sen
cos
R(/2) =
cos sen
sen
cos
cos(/2) sen(/2)
sen(/2)
cos(/2)
0 1
1
0
0 1
1
0
1
0
0
1
on y explique el porque de la
455. Ejercicio Calcule el determinante de una rotaci
respuesta. Es toda T L con Det(T ) = 1 una rotaci
on? Ofrezca ejemplos y contraejemplos. Que mas se necesita para que una T L con determinante 1 sea una rotaci
on?
8.3. NUMEROS
QUE ROTAN
8.3.
215
N
umeros que rotan
216
Ahora, a cada punto del plano (r, )p le hacemos corresponder la matriz dada por
r cos rsen
(r, )p
rsen r cos
460.
Ejemplos
El n
umero complejo i tiene modulo 1 y
angulo polar /2, por lo tanto, es la matriz
0 1
cos(/2) sen(/2)
=
(0, 1)
1
0
sen(/2)
cos(/2)
Si se componen dos rotaciones, obtenemos una rotacion:
461. Ejercicio Demuestre que si se multiplican dos puntos del plano (r1 , 1 )p y
(r2 , 2 )p , usando la representaci
on matricial y multiplicando en cualquier orden las
matrices respectivas, se obtiene el punto del plano (r1 + r2 , 1 + 2 )p .
462. Ejercicio Demuestre que la multiplicaci
on es cerrada, conmutativa, asociativa,
distribuye la suma, que (1, 0) es el elemento neutro de la multiplicaci
on, es decir, que
(1, 0) multiplicado por (x, y) da (x, y).
Por todas las propiedades aritmeticas demostradas, de ahora en adelante llamaremos a los puntos del plano como complejos o n
umeros complejos y al plano mismo
como plano complejo y se nota C.
Ha resultado muy u
til la notacion polinomica en la cual (x, y) se representa por el
polinomio x + iy donde el n
umero complejo i es el indicador de la direccion vertical, es
decir (0, 1) o bien (1, /2)p . De igual forma, debido a que (1, 0) es el elemento neutro
de la multiplicacion, se le llama 1 y de esa manera los n
umeros reales se convierten en
un subconjunto de los complejos y por ello a los reales se les pinta sobre el horizontal,
cuyos puntos son de la forma (x, 0).
463. Ejercicio Verifique que con i = (0, 1) = (1, /2)p se tiene que i2 = ii = 1.
Ahora podemos multiplicar n
umeros complejos como si fuesen polinomios. Si un
n
umero complejo es w = (a, b) = a + bi y el otro es z = c + di entonces su producto es
wz = (a+bi)(c+di) = ac+adi+dci+bdi2 = ac+(ad+dc)ibd = acbd+i(ad+dc) =
= (ac bd, ad + dc).
Habamos dicho que el plano complejo con la multiplicacion escalar con n
umeros
reales es un EV , pero en vez de escalares reales se pueden tomar escalares complejos.
464. Ejercicio Demuestre que los complejos son un espacio vectorial sobre los complejos.
465. Ejercicio Demuestre que los complejos sobre los reales son un EV de dimensi
on dos, pero los complejos sobre los complejos tienen dimensi
on uno.
8.3. NUMEROS
QUE ROTAN
217
218
mecanica cuantica para postular que la fsica fundamental tambien esta ligada a los
complejos. La razon es que tanto la radiacion como la materia tienen propiedades de
onda, lo cual se evidencia cuando se crea interferencia (Feynman, 1998).
8.4.
Bases ortonormales
Al rotar la base natural uno obtiene una nueva base que se parece muchsimo a la
natural: sus elementos son mutuamente perpendiculares y tienen norma uno. Este tipo
de bases es muy u
til y recibe un nombre:
468. Definici
on. Una base es ortogonal cuando sus elementos son mutuamente
perpendiculares. Ejemplo: la base natural es ortogonal. Toda rotaci
on de la base natural
es una base ortogonal. Si se toma la base natural y se rota y si cada vector es alargado
positivamente, se obtiene una base ortogonal.
469. Definici
on. Una base es ortonormal cuando es ortogonal y cuando cada
uno de sus vectores es unitario, es decir, tiene norma uno. Ejemplo: la rotaci
on de la
base natural produce una base ortonormal. Para convertir una base ortogonal en una
ortonormal hay que dividir cada vector por su norma. Aunque nadie lo diga, es mejor
numerar las bases ortonormales de tal forma que su Det sea mas uno. Si uno tiene
una base ortonormal con determinante menos uno, simplemente se intercambia un par
de vectores y la nueva numeraci
on da una base con Det = +1. O uno puede reversar
un elemento de la base.
470. Ejemplo La base B1 = {(1, 1), (1, 1)}es ortogonal porque el producto punto
(1, 1) (1, 1)= 0, pero no es una base ortonormal pues la norma de cada uno de sus
elementos
si
dividimos
es 2. Pero obtenemos una base
ortonormal
2y + 3z
x
y =
y
z
z
2
3z
3
2y
y + 0 = y 1 +z 0
=
z
0
0
1 .
Es decir, el conjunto B1 = {~v1 = (2, 1, 0), ~v2 = (3, 0, 1)} es una base del plano,
pero no es una base ortonormal porque (2, 1, 0) (3, 0, 1) no es cero.
Encontremos
que la norma del vector
una base ortonormal para . Observemos
(2, 1, 0) es 5. Por tanto, podemos tomar ~u1 = (2 5/5, 5/5, 0) como un primer
219
vector de nuestra base ortonormal. El segundo vector ~u2 puede ser construido de varias
maneras. La primera es proyectar el segundo vector de la base original, ~v2 sobre ~u1 .
Esa proyeccion se sustrae de ~v2 y luego se normaliza para obtener ~u2 .
O tambien, podemos notar que (1, 2, 3) es normal al plano y que tiene norma
14 y que por tanto, la normal unitaria ~n es
220
~ej ~v = aj
o bien
aj = ~ej ~v
Este resultado tambien puede escribirse como sigue:
475. Teorema. Para una base ortonormal B = {~e1 , ..., ~en } y un vector ~v se tiene:
~v = (~e1 ~v )~e1 + (~e2 ~v )~e2 + ... + (~ej ~v )~ej + ... + (~en ~v )~vn
Ya tenemos alguna practica sobre como construir bases ortonormales en dos y tres
dimensiones. Pero en muchas aplicaciones se requiere trabajar con espacios de polinomios o de otras funciones. Por ejemplo, para estudiar fenomenos periodicos se usa la
base formada por el conjunto de funciones
F = {1, cos x, cos 2x, ..., cos nx, ..., sen x, sen 2x, ..., sen nx, ...}
Como vemos, este conjunto es infinito, lo cual exige generalizar nuestra teora para
EV de dimension finita a dimension infinita. En particular, es necesario entender
que quiere decir una suma infinita, una suma que nunca termina de hacerse. Porque la
idea es expresar las funciones en la base F, lo cual es un problema mas sencillo una vez
que uno la ortonormaliza. La expresion de una funcion en tal base ortonormalizada se
llama la expansion en serie de Fourier de la funcion (Zill, 2007).
Es usual que uno tenga una base, pero que no sea ortonormal. Uno puede ortonormalizarla usando el siguiente
476. Procedimiento para construir una base ortonormal a partir de una
base cualquiera.
Sea una base cualquiera que bien puede ser infinita:
B = {~b1 , ..., ~bn , ...}
Para construir una base ortonormal
B
= {~e1 , ..., ~en }
a partir de B se procede as:
1. El primer elemento de B
es simplemente el primer elemento de B normalizado:
~e1 =
~b1
||~b1 ||
2. Para hallar ~e2 consideramos el subespacio generado por {~b1 , ~b2 } y decidimos que
~e2 debe ser elemento de dicho subespacio, como lo es ~e1 . Eso es equivalente a
decir que
~b2 = a1~e1 + a2~e2
221
~e2 =
~h2
||~h2 ||
~ej =
~hj
||~hj ||
4. Si se itera este procedimiento, se obtienen todos los elementos de la base ortonormalizada. El problema es que para una base infinita uno nunca termina. Por esto
que en aplicaciones uno fija la exactitud deseada y determina en consecuencia
que tantos elementos de la base debe considerar.
477. Ejemplo Construyamos una base ortonormal B
= {~e1 , ~e2 } para el subespacio
generado por B = {(1, 1, 1), (2, 3, 5)}
222
8.5.
223
La matriz transpuesta
Ejemplo
1 2
M=
5 6
2
MT =
3
4
3 4
.
7 8
5
6
.
7
8
M=
483.
Ejemplo
2/2
2/2
2/2
2/2
Sea
2 3 4
M = 5 6 7
8 9 0
entonces
2 5 8
MT = 3 6 9
4 7 0
484. Definiciones. Una matriz es sim
etrica si es igual a su transpuesta. Es
T
decir, M es simetrica si M = M . Una matriz es antisim
etrica si es igual a menos
su transpuesta. Es decir, M es antisimetrica si M = M T , o bien que M T = M .
Ambos tipos de matrices deben ser matrices cuadradas.
485.
Ejemplos
La matriz
224
2 5 8
M = 5 6 7 = MT
8 7 0
es simetrica. La matriz
0
5 8
0 7 = M T
M = 5
8 7 0
Ejemplo
Si ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) y
2 5 8
MT = 3 6 9
4 7 0
entonces
v1
2u1 + 5u2 + 8u3
v1
u1
2 5 8
M (~u) ~v = 3 6 9 u2 v2 = 3u1 + 6u2 + 9u3 v2
v3
4u1 + 7u2 + 0u3
v3
u3
4 7 0
= (2u1 + 5u2 + 8u3 )v1 + (3u1 + 6u2 + 9u3 )v2 + (4u1 + 7u2 + 0u3 )v3
225
v1
2 3 4
u1
2v1 + 3v2 + 4v3
u1
= u2 5v1 + 6v2 + 7v3 = u2 5 6 7 v2
v3
8 9 0
u3
8v1 + 9v2 + 0v3
u3
= ~u M T (~v ).
226
Demostraci
on. Si M es simetrica, entonces es cuadrada y la T L asociada puede tomarse
con dominio igual al codominio. Si ~y Ker(M ), entonces M~y = ~0. Por tanto
M~x ~y = ~x M T ~y = ~x M~y = ~x ~0 = 0, y M~x pertenece a Im(M ) mientras que ~y
esta en el Kernel, su producto punto es cero, y por lo tanto, la imagen es perpendicular
al Kernel.
493. Aplicaci
on Este teorema nos ayuda a evitarnos trabajo. Si debemos calcular
la imagen y el Kernel de una matriz simetrica, calculamos uno de ellos y el otro lo
hallamos por ortogonalidad.
495.
Ejemplo
1 2
2 3
El Kernel es el subespacio vectorial que cae sobre cero. Puesto que el determinante
de la matriz no es cero, la transformacion lineal que esta representa es 1-1 y sobre,
y por tanto, el u
nico vector que cae sobre cero es cero que es el u
nico elemento del
Kernel. Como la Imagen y el Kernel son mutuamente perpendiculares, la Imagen es
todo R2 . Observemos que esto es cierto para cualquier matriz invertible.
496. Ejercicio Encuentre el Kernel y la imagen de la T L cuya matriz es
a)
1 2
2 4
b)
1
2
2 3
1 2 3
c) 2 3 4
3 4 5
1 2 3
d) 2 4 6
3 6 5
8.6. APLICACIONES
8.6.
227
Aplicaciones
498. Ejemplo y ejercicio En R2 tomamos la base {(1, 2), (2, 1)}. Sus vectores
son perpendiculares, pero no son unitarios. Los normalizamos para obtener una base
ortonormal:
cuya transpuesta es
Q =
1/5 2/5
2/ 5 1/ 5
228
(w, z)
(x, y)
-1
-2
-3
-4
-3
-2
-1
2/2 2/2
M=
2/2
2/2
Puesto que las columnas de M son vectores que forman una base ortonormal, su
inversa es la transpuesta:
2/2
2/2
1
M =
2/2
2/2
Por lo tanto, el punto (x, y) E ssi (w, z) = M 1 (x, y) O.
x
2/2
2/2
2x/2
+
2y/2
1
=
M (x, y) =
y
2/2
2/2
2x/2 + 2y/2
8.6. APLICACIONES
229
Eso
(x, y) E ssi la dupleta
quieredecir queel punto
( 2x/2 + 2y/2, 2x/2 + 2y/2)
satisface
laecuacion O:
Es conveniente
E,por lo
que debe satisfacer su ecuacion. Veamos:
( 3/2, 3/2) esta en
la elipse
2
2
13( 3/2) + 13( 3/2) 10( 3/2)( 3/2) = (13)(9)/2 + (13)(9)/2 10(9/2)
= (13)(9) (5)(9)
72
Pasamos el test.
Segundo
m
etodo. La matriz M es tambien la notacion vertical de la base
B = ( 2/2){(1, 1), (1, 1)}. Sea PB = (w, z) las coordenadas del punto P en la base
B, mientras que PN = (x, y) representa las coordenadas del mismo punto P en la base
natural. Ese par de coordenadas esta relacionado por
(w, z) = PB = IBN PN = B 1 (x, y)
2x/2
+
2y/2
1
B (x, y) =
2x/2 + 2y/2
3
E
2
-1
-2
-3
-4
-3
-2
-1
Figura 8.3. Desde la base B = ( 2/2){(1, 1), (1, 1)}, la elipse E se ve derechita.
Por tanto
2x/2 +
2y/2
w=
z = 2x/2 + 2y/2
La ecuacion de E en la base B es simplemente w2 /9 + z 2 /4 = 1 porque en la base B
uno ve una elipse normal con eje mayor 3 y eje menor 2, por lo tanto, para encontrar
la ecuacion de E en la base natural, es suficiente sustituir w y z en esta ecuacion por
230
2/2 2/2
W =
2/2
2/2
3
E
2
-1
-2
-3
-4
-3
-2
-1
Figura 8.4. Desde la base W = ( 2/2){(1, 1), (1, 1)}, la elipse E se ve derechita.
Observemos que la base, al igual que la anterior, tambien tiene Det(W ) = 1 y
ademas es ortonormal.
Sea PW = (u, v) las coordenadas de un punto P en la base W , en tanto que
PN = (x, y) representa las coordenadas del mismo punto P en la base natural. Ese
par de coordenadas se relaciona por
N
(u, v) = PW = IW
PN = W 1 (x, y)
donde
2/2
2/2
1
W =
2/2
2/2
por lo que
W
Por tanto,
u = 2x/2 2y/2
v = 2x/2 + 2y/2
2x/2
2y/2
(x, y) =
2x/2 + 2y/2
8.6. APLICACIONES
231
locual coincide
con la ecuaci
on hallada
anteriormente:
2
( 2x/2 + 2y/2) /9 + ( 2x/2 + 2y/2)2 /4 = 1
503. El cuarto m
etodo. Puesto que hemos venido guiandonos por el contexto,
hemos sido muy perezosos con la notacion. Pero ahora veamos de que manera una
mejor notacion es necesaria. Enfaticemos que cuando ponemos una columna en frente
de una matriz, esa columna realmente representa las coordenadas de un vector en una
base dada, que por defecto es la natural. Y si escribimos una fila al lado izquierdo de
la matriz, podemos decir que pusimos las coordenadas de un vector, pero en posicion
horizontal y debemos referirlo como transpuesto (~x)T . Ejemplo:
1
~x = (~x)N = 2
3
(~x)T = 1 2 3
M=
entonces
x y
x y
ax + by
cx + dy
a b
c d
a b
c d
x
y
2/2 2/2
B=
2/2
2/2
codifica la informacion para una base ortonormal B, y por tanto su inversa es igual
a su transpuesta. Las coordenadas en la base B se denotan como (P )B = (w, z) y la
elipse luce como w2 /9 + z 2 /4 = 1. En forma matricial, eso es equivalente a
1/9
w
0
w z
=1
z
0 1/4
o
((~x)B )T M (~x)B = 1
232
donde
M=
1/9
0
0 1/4
Pero por otro lado, la elipse en la base natural se expresa como ((~x)N )T MNN (~x)N = 1
o equivalentemente
1=
x y
1/9
0
x
2/2
2/2
2/2
2/2
0 1/4
y
2/2
2/2
2/2
2/2
233
2
2
Test: todo eso debe ser
13y
+
igual a 13x
10xy
1
1 1
1
0
9
1 = ( 2/2)2 x y
1
1
1
0 41
1
1 1
0
x+y
9
= (1/2) x y
1
1
0 41
x + y
1 1
x/9 + y/9
= (1/2) x y
x/4 + y/4
1
1
x/9 + y/9 + x/4 y/4
= (1/2) x y
x/9 + y/9 x/4 + y/4
(4x + 4y + 9x 9y)/36
= (1/2) x y
(4x + 4y 9x + 9y)/36
4x + 4y + 9x 9y
= (1/72) x y
4x + 4y 9x + 9y
13x 5y
= (1/72) x y
5x + 13y
Por tanto:
1 = (1/72)(13x2 5xy 5xy + 13y 2 )
Y al final obtenemos: 72 = 13x2 10xy + 13y 2 .
=
72. Veamos:
x
1
y
1
504. Ejercicio Siempre hemos escuchado que y = 1/x representa una hiperbola.
Demuestrelo. Para ello, tome la hiperbola x2 y 2 = 1, rotela en sentido antihorario un
angulo /4 y encuentre la ecuaci
8.7.
Ejercicios de repaso
1. Sean B = {(2, 2), (4, 1)} y B = {(1, 3), (1, 1)} . Muestre que B y B son
bases de R2 y encuentre la matriz de transicion de B a B y la de B a B.
2. Sean B = {6 + 3x, 10 + 2x} y B = {2, 3 + 2x} bases de P2 .
a) Halle la matriz de transicion de B a B y la de B a B.
b) Encuentre [4 + x]B y use una matriz encontrada anteriormente para hallar
[4 + x]B .
234
1
1 , 0,
,0
2
2
cos sen
sen
cos
Rta. a)
cos(n) sen(n)
sen(n)
cos(n)
, b) para todo , c) R1 = RT .
8.8. RESUMEN
8.8.
235
Resumen
Hemos aprendido como cambiar de coordenadas de una base a otra con la ayuda
de matrices apropiadas. Para cambiar de coordenadas de una base B a la base natural,
usamos una matriz que es la misma base B escrita en forma vertical, un vector al lado
del otro. Para cambiar de la base natural a la base B, usamos como matriz la inversa
de B. Para cambiar de B1 a base B2 , usamos la matriz B21 B1 . Si B es ortonormal, con
elementos mutuamente perpendiculares y de norma uno, B 1 = B T . Similarmente, si
R es una rotacion, R1 = RT . Nuestras bases siempre se numeran de tal forma que las
matrices asociadas tengan determinante positivo.
236
CAPITULO
9
TL EN CUALQUIER PAR DE BASES
9.1.
Fundamento
237
238
1 2
3 4
Solucion: Para encontrar TNN nosotros necesitamos encontrar T (~i) y T (~j) y poner
los vectores resultantes en notacion vertical en forma de matriz. Necesitamos ademas
expresar cada elemento de la base natural como una combinacion lineal de la base B1 .
Por eso que necesitamos calcular T de cada uno de los elementos de dicha base. Nuestro
punto de partida es:
(T (X))B2 = TBB21 (X)B1
Si tomamos X = (1, 1), entonces (X)B1 = (1, 0) porque (1, 1) = 1(1, 1) + 0(2, 2),
y
(T (X))B2 =
TBB21 (X)B1
1 2
3 4
1
0
1
3
Por lo que,
(T (X))B2 = (T (1, 1))B2 = 1(1, 1) + 3(2, 2) = (7, 5).
Similarmente,
(T (2, 2))B2 = 2(1, 1) + 4(2, 2) = (10, 6).
pero por otro lado, descompongamos los elementos de la base natural en la base B1
~i = (1, 0) = (1, 1) + (2, 2)
Encontramos, = 1/2 y = 1/4. Por tanto,
~i = (1, 0) = 1/2(1, 1) 1/4(2, 2)
y
T (~i) = T (1, 0) = 1/2T (1, 1) 1/4T (2, 2) = 1/2(7, 5) 1/4(10, 6)
= (7/2 + 5/2, 5/2 3/2) = (1, 1).
Ahora ~j:
~j = (0, 1) = (1, 1) + (2, 2)
Uno encuentra que, = 1/2 y = 1/4. Por tanto,
~j = (0, 1) = 1/2(1, 1) + 1/4(2, 2)
y
T (~j) = T (0, 1) = 1/2T (1, 1) + 1/4T (2, 2) = 1/2(7, 5) + 1/4(10, 6)
= (7/2 5/2, 5/2 + 3/2) = (6, 4).
Resumiendo: T (~i) = (1, 1) y T (~j) = (6, 4). Entonces:
T =
1 6
1
4
9.1. FUNDAMENTO
239
T =
Solucion: debemos encontrar
TBB21
1 6
1
4
dado que
TBB21 XB1 = (T (X))B2 .
Si X = (1, 1), entonces XB1 = (1, 0)
Por tanto
1
B1
= (T (1, 1))B2
=
TB2 (1, 0) =
7, 5
0
B1
= (T (2, 2))B2
=
TB2 (0, 1) =
1
Encontremos (T (2, 2))B2 :
T (2, 2) =
1 6
1
4
2
2
10, 6
De tal forma que, (T (2, 2))B2 = (, ) = (10, 6)B2 , lo cual quiere decir que
(10, 6) = (1, 1) + (2, 2)
o equivalentemente que
10 = 2
6 = + 2
240
Por tanto, = 2 y = 4.
En conclusion:
TBB21
1 2
3 4
Lo cual demuestra que hicimos bien las cosas y que hemos entendido.
507. Ejercicio Hacer al derecho y al reves, como en los dos pasados ejemplos, las
siguientes tareas:
a) Calcular TNN dado que B1 = {(1, 2), (2, 3)}, B2 = {(2, 1), (1, 2)}, y que
TBB21
1 1
2 1
b) Calcular TNN dado que B1 = {(2, 5), (2, 0)}, B2 = {(1, 1), (1, 1)}, y que TBB21
es la misma del inciso a).
c) Calcular TNN dado que B1 = {(5, 1), (3, 7)}, B2 = {(0, 1), (1, 1)}, y que
TBB21
9.2.
7 2
2
7
Reflexiones en el plano
La matriz
1 0
0 1
(x, y)
(x, y)
~j
~i
241
(w, z)
(1, 1/3)
Figura 9.2. Una reflexion con respecto al eje y = 3x vista desde la base
B = {(1, 1/3), (1, 3)}.
Esta expresion dice que la matriz reescrita en la base B, tanto en el dominio como
en el codominio, es claramente una reflexion. La u
nica correccion pertinente es que la
reflexion es con respecto a la lnea, una informacion que esta contenida en la base B: el
segundo vector de la base B, (1, 3), genera el eje de reflexion, mientras que el primero,
(1, 1/3), genera la lnea perpendicular. El orden que hemos dado a la numeracion de
los elementos de la base se ajusta a nuestro estilo de que las bases tengan determinante
positivo.
9.3.
242
T (~v )
~v
T
T (~u)
~u
Figura 9.3. Las T L se conocen por sus efectos sobre una base cualquiera.
Demostraci
on. Sea B = {~e1 , ..., ~en } una base del EV V . La base B expande todo el
~ V entonces X
~ = 1~e1 + ... + n~en y por tanto
espacio. Por tanto, si X
~ = T (1~e1 + ... + n~en ) pero como T es una T L, entonces:
T (X)
~
T (X) = 1 T (~e1 ) + ... + n T (~en )
Esto significa: si conocemos el efecto de una T L T sobre una base cualquiera B
del dominio, sabremos que hace T sobre cualquier elemento X del espacio V , para lo
cual es suficiente combinar las imagenes de los elementos de la base poniendo como
coeficientes las coordenadas de X en la misma base B.
En terminos geometricos, el u
ltimo teorema dice que para saber que hace una T L
es suficiente saber la imagen de un n-plp de volumen no nulo.
Ahora, aplicaremos este teorema para encontrar la matriz de una T L con respecto
a una base arbitraria. Denotamos cualquier matriz N como N = (nij ), lo cual significa
que la entrada de la matriz nij esta en la interseccion de la fila i con la columna j.
Nuestro trabajo es generalizar lo que hemos hecho para hallar la matriz de una
T L T con respecto a la base natural. Todo vector de la base natural del dominio debe
ser transformado por T y el resultado se escribe verticalmente. Todo fue muy facil
porque las coordenadas de un vector en la base natural eran a la larga el mismo vector.
Hagamos una peque
na generalizacion que podra ser entendida en el siguiente ejemplo.
509. Ejemplo Sea T (x, y) = (2x5y, 4x+3y) y sea B = {~b1 = (1, 1), ~b2 = (1, 1)}
una base del plano R2 . Por lo tanto, si ~x = (x1 , x2 ), tenemos
XN =
x1
x2
XB =
1
2
donde
~ = 1~b1 + 2~b2
X
por lo que
~ = T (1~b1 + 2~b2 ) = 1 T (~b1 ) + 2 T (~b2 )
T (X)
243
o, en notacion vertical
7
3
1
x1
1
+ 2
= 1
+ 2 T
T
= 1 T
1
7
1
1
x2
1
3 7
31 72
=
=
2
7 1
71 12
Vemos que :
T (XN ) = (T (X))N = M (XB )
donde la matriz M es simplemente la imagen de la base B escrita verticalmente:
3 7
M=
7 1
Notemos que M = TNB , porque de un lado T (XN ) = (T (X))N = M (XB ), y del otro
T (XN ) = (T (X))N = TNB (XB ). Por tanto, para encontrar la matriz de una LT T con
respecto a una base B del dominio y con respecto a la base natural N del codominio,
podemos usar la siguiente receta (que no vale la pena memorizar):
Para encontrar la matriz TNB de una LT T : V W con respecto a una base
numerada B del dominio V y a la base natural N del codominio W , aplicamos T sobre
cada elemento de la base B, y el resultado es reescrito en notacion vertical creando una
matriz que se denota TNB .
~ B del vector X
~ en la base
Cuando multiplicamos esa matriz por las coordenadas X
~
~
~ B . Por
B, obtenemos las coordenadas de T (X) en la base natural: (T (X))N = TNB X
esa razon, la matriz que representa a T debe denotarse de tal manera que quede claro
~ B , y produce las
de una sola mirada que ella recibe coordenadas en la base B, (X)
~
~
coordenadas de T (X) en la base N , (T (X))N .
Podemos automatizar la receta anterior si tan solo consideramos que TNB es la matriz
formada por T (B) que es tambien T B donde T es realmente [T ]N
N , la matriz de la LT
T con respecto a las bases naturales. Concretamente, la matriz T del ejemplo previo es
2 5
N
TN =
4
3
De otra parte, sea B la matriz que codifica en notacion vertical la base B:
1 1
B=
1
1
..
.
1 1
..
.
1
1
... ...
..
..
[T ]N
N (B) = ...
2 5 ... 3 7
..
7 1
4
3 .
244
245
Una combinacion lineal de la forma ~v = 1 d~1 + 2 d~2 + ... + n d~n podra ser notada
como
~v =
n
X
j d~j
j=1
o como ~v =
n
X
j=1
j d~j o como ~v =
X
j
P ~
j d~j o como ~v =
j dj . Las dos primeras
P
ai = ai que dice que para aumentar el sueldo de un a
no hay que aumentar
el sueldo de cada mes.
P
P
P
ai + bi = (ai + bi ), lo cual dice que lo que gana un grupo de parejas es
igual a lo que ganan los maridos mas lo que ganan las esposas y tambien es igual
a la suma de lo que ganan todas las parejas.
P P
P P
i
j aij =
j
i aij que dice que si en el mes i, semana j, uno gana aij ,
entonces lo que gana en el a
no es igual a lo que gana en todos los meses, reuniendo
lo que se gana en las semanas del mes, y que tambien es igual a lo que se gana
durante la primera semana sumando durante todos los meses, mas lo que se gana
en la semana n
umero 2 durante todos los meses y as con la semana 3 y 4.
Si tenemos
del mismo espacio, descompuestos en la misma base B,
P ~ dos vectores
~
~v = i i bi y w
~ = i bi , podemos definir el producto punto con respecto a la base
P
dada B como i i i que consiste en multiplicar coordenada por coordenada y
despues sumar los resultados.
~ = 1 d~1 + 2 d~2 + ... + n d~n
Si tenemos la matriz M = (mij ) y un vector X
~
~
que
P representa la descomposicion de X en la base {dk }, entonces la expresion
mij j da la coordenada i P
del vector que resulta de multiplicar la matriz por
el vector. Mas exactamente,
mij j es el producto entre la fila i de la matriz
~ (para lo cual se exige que el n
por el vector de coordenadas del vector X
umero
~
de columnas de la matriz sea igual al n
umero de coordenadas de X).
Si uno tiene dos matrices
P(tij ) y (skl ) que se pueden multiplicar, la multiplicacion
se puede escribir como j tij sjl lo cual da la entrada il de la matriz producto y
que es igual al producto punto entre la fila i de (t) por la columna l de (s).
516. Teorema para entender y memorizar. Sea una T L T : V W y
dos bases cualesquiera B1 = {~ck } en el dominio y B2 = {d~j } en el codominio. Para
encontrar la matriz TBB21 de T con respecto a las bases dadas se hace lo siguiente: se
toma ~c1 , el primer vector de la base del dominio, se aplica T sobre ~c1 para obtener
246
T (~c1 ). Se descompone dicho vector en la base de llegada B2 para obtener (T (~c1 ))B2 que
son las coordenadas de T (~c1 )) en la base de llegada. Esas coordenadas se escriben como
la primera columna de la matriz buscada, TBB21 . Se itera lo mismo con el segundo vector
y con todos los dem
as hasta terminar.
Antes de ver la demostracion, veamos dos ejemplos.
517. Ejemplo B = {(1, 3), (2, 5)} es una base del plano. Supongamos que T es
tal que T (1, 3) = 5(1, 3) y que T (2, 5) = 7(2, 5). Encontremos la matriz de T con
respecto a B, es decir, TBB .
Encontramos la imagen por T de cada uno de los vectores de la base del dominio y
la descomponemos en la base del codominio y las coordenadas resultantes las ponemos
en notacion vertical formando una matriz.
Comencemos con (1, 3). Su imagen es 5(1, 3) que descompuesta en la base B produce
T (1, 3) = 5(1, 3) = 5(1, 3) + 0(2, 5). Por lo que las coordenadas correspondientes son
(5, 0), que forman la primera columna de la matriz buscada.
Similarmente, T (2, 5) = 7(2, 5) = 0(1, 3) + 7(2, 5). Las coordenadas correspondientes son (0, 7). Por tanto,
5 0
B
.
TB =
0 7
Sea T : R2 R2 tal que con respecto a cierta base B1 = {~c1 , ~c2 } en
el dominio y a la base B2 = {d~1 , d~2 } en el codominio, T (~c1 ) = 5d~2 + 7d~2 y
T (~c2 ) = 3d~2 + 4d~2 , entonces
518.
Ejemplo
TBB21
5 3
7
4
247
Notemos que hemos puesto el subndice de ~ck en segundo lugar en tjk porque queremos que la imagen de un vector n
umero k de la base sea la columna n
umero k de la
matriz, y el n
umero de la columna se escribe en segundo lugar en los subndices de las
entradas de la matriz, puesto que el primer lugar es para la fila. En resumen:
TBB21 = (tjk )
~ en la abse B1 y
Demostremos ahora que esta matriz toma las coordenadas de X
~ en la abse B2 .
produce las coordenadas de T (X)
~ en el dominio que puede ser descompuesto en la base dada: X
~ = P k ck .
Sea X
k
~
~
Las coordenadas de X en B1 son los (k ). Pasemos X por T para obtener
~ = T (P k~ck ) = P k T (~ck )
T (X)
k
k
P
donde hemos aplicado la linealidad de T . Ahora recordamos que T (~ck ) = j tjk d~j :
~ = P k P tjk d~j = P P k tjk d~j = P (P k tjk )d~j = P (P tjk k )d~j .
T (X)
k
j
k
j
j
k
j
k
9.4.
Ejercicios de repaso
248
a) T (1, 2, 3).
b) T : P4 P4 ;
c) T : P3 R3 ;
T (a) = a + ax + ax3
T (p(x)) = xp (x)
T (ax3 + bx2 + cx + d) = [a b, a + c, b c]
d ) T : R2 R3 ;
T [x, y] = [x y, 2x + y, y]
con las bases B = {[2, 1], [1, 2]} B = {[1, 1, 0], [0, 2, 0], [0, 2, 5]}
9.5. RESUMEN
9.5.
249
Resumen
250
CAPITULO
10
LA MATRIZ DE LA COMPUESTA
10.1.
Diagramas
W
Figura 10.1. La composicion de dos T L.
y que B1 es base de U , B2 es de V y B3 es de W . Entonces
B1
B2
1
(T S)B
B3 = (T )B3 (S)B2 .
251
252
Demostraci
on. Demosles nombres a los elementos de las bases:
la base de U es B1 = {~bk }, la de V es B2 = {~cj } y la de W es E3 = {d~i }.
Decir que la matriz de S, con respecto a las basesP
B1 en el dominio y B2 en el
codominio, es (sjk ), es lo mismo que decir que S(~bk ) = j sjk~cj .
De otra parte, si la matriz de T , con respecto
Pa las bases B2 en el dominio y B3 en
el codominio, es (tij ), eso significa que T (~cj ) = i tij d~i .
SBB21
(T
TBB32
B1 3
B
S)
B2 B1
1
(T S)B
B3 = TB3 SB2 .
521.
Ejemplo
253
~ = P k~bk
Demostraci
on. Usando la misma notacion del teorema anterior tenemos: si X
k
~ B1 , las coordenadas de X
~ en la base B1 , son los (k ).
entonces (X)
P
Teniendo en cuenta que S(~bk ) = j sjk~cj obtenemos:
~ = T (S(P k~bk )) = T (P k S(~bk )) = T (P k P sjk~cj )
T (S(X))
k
k
k
j
P
P
= k k j sjk T (~cj )
P
Reemplazando T (~cj ) por i tij d~i obtenemos
~ = P k P sjk P tij d~i = P P P k sjk tij d~i = P P P tij sjk k d~i
T (S(X))
k
j
i
k
j
i
k
j
i
Podemos organizar este resultado de dos maneras. La primera:
~ = P P (P tij sjk )k d~i
T (S(X))
i
k
j
que dice que la matriz de T S es el producto de T por S. Y la segunda manera es
~ = P P (tij (P (sjk k ))d~i
T (S(X))
i
j
k
~ en la base E3 se hallan alimentando S
que dice que las coordenadas de T (S(X))
~ en la base B1 , y procesando el resultado por T .
con las coordenadas de X
10.2.
Cambio de coordenadas y TL
Podemos utilizar el teorema anterior para obtener una solucion elegante al problema
de expresar una T L con respecto a bases arbitrarias. Procediendo por sentido com
un
tenemos:
Podemos imaginar que T es un mensaje que contiene la informacion para ejecutar cierta tarea (ejecutar cierta T L sobre cierto input). Esa informacion puede venir,
digamos, en griego. Como podremos utilizar dicha informacion para procesar un input que viene en latin y producir un output que debe ir in aleman? Pues muy facil:
tomamos el input en latn, lo traducimos al griego, lo procesamos en griego, obtenemos
un output en griego, lo traducimos al aleman y listo. Con formalidad, eso se expresa
en el teorema siguiente:
522. Teorema. Sea T : Rn Rm una LT . Sea B1 una base del dominio Rn , y
B2 una base del codominio Rm . Si la matriz de T con respecto a la base natural es TNN ,
entonces la matriz de T con respecto a la base B1 en el dominio y a B2 en el codominio
es
TBB21 = IBN2 TNN INB1
donde las matrices de traduccion o de cambio de base son INB1 que traduce de la base
B1 a N , y la matriz IBN2 que traduce de la base N a la base B2 , en tanto que TNN es la
matriz de T con respecto a la base natural del domino y a la base natural del codominio
(pueden ser diferentes).
254
Demostraci
on. Cada espacio tiene su base natural correspondiente, denotada N . Entonces, el diagrama siguiente es conmutativo, es decir, el diagrama presenta dos caminos
que producen los mismos resultados. Un camino representa el lado derecho de la
ecuacion a probar y el otro el lado izquierdo.
Rn
TNN
INB1
Rm
IBN2
TBB21
Rm
523. Explicaci
on. Si sabemos como es la matriz de una T L T con respecto a
las bases naturales, tanto en el dominio como en el codominio, podemos encontrar la
matriz de T con respecto a la base arbitraria B1 en el dominio y a B2 en el codominio
adaptando traductores apropiados: debemos poner un traductor en el dominio que pase
de la base B1 a la base natural y otro traductor en el codominio que pase de la base
natural a la base B2 . Esos traductores son las matrices de cambio de base. INB1 es
simplemente la base B1 escrita como una matriz, mientras que el traductor IBN2 es la
matriz (B2 )1 .
524. Explicaci
on dual. La igualdad
TBB21 = IBN2 TNN INB1
puede ser leda en terminos puramente geometricos: la matriz de T : V W con
respecto a las bases B1 en el dominio y B2 en el codominio pueden encontrarse como
sigue: B1 representa un plp en el dominio. T transforma ese plp en otro en el codominio.
Ese nuevo plp se representa fielmente por TNN INB1 . Cada uno de los vectores de ese plp
puede ser descompuesto en la base B2 gracias a IBN2 , y las coordenadas correspondientes
se escriben verticalmente formando una matriz, la cual es TBB21 . El trabajo de dicha
~ B2 = T B1 X
~ B1 .
matriz se expresa por la igualdad (T (X))
B2
El diagrama conmutativo del teorema anterior se usa juntamente con los siguientes
resultados formando una maquinaria exquisitamente poderosa:
525. Teorema y ejercicio. Para calcular IBN2 TNN INB1 se tiene en cuenta que:
La matriz INB1 es simplemente la base B1 puesta como matriz, el primer vector es
la primera columna, el segundo vector es la segunda columna y as sucesivamente.
255
La matriz TNN tiene como columna k la imagen por T del vector ek de la base
natural.
La matriz IBN2 es la inversa de la matriz B2 , para lo cual hay un procedimiento
automatico de Guass-Jordan.
Demostraci
on. La primera asersion generaliza el ejemplo 429, pagina 208 hecho para
dos dimensiones y se prueba de manera general as:
~ en cualquier Rn y sea B = {~bi } una base. Descomponemos X
~ en la base:
Sea X
P
~
~ =
X
i bi . Tomamos la coordenada j-esima de dicha igualdad:
P
~
(X)j = i bji
donde bji es la coordenada j-esima del vector i-esimo de la base. Esta ecuacion
puede escribirse
P como
~
(X)j = bji i
lo cual se interpreta directamente como la multiplicacion de la base B escrita como
~ en
matriz, escribiendo en orden los vectores como columnas, por las coordenadas de X
la base B. Por lo tanto, la matriz B recibe las coordenadas de X en la base B, las , y
~ Hemos demostrado
produce las coordenadas de X en la base natural, o sea, el mismo X.
B
que la matriz IN es simplemente la base B puesta como matriz, el primer vector es la
primera columna, el segundo vector es la segunda columna y as sucesivamente.
Demostracion general de la segunda propiedad: Ejercicio.
Para demostrar la tercera asersion tenemos en cuenta que IBN2 es la inversa de INB2 ,
y como la matriz de INB2 es B2 puesta como matriz, entonces, la matriz de IBN2 es la
inversa de la matriz B2 .
256
TNB
1 2
3 4
Solucion: M
etodo 1. Podemos ver de la matriz que
T (1, 1) = 1~i + 3~j
T (2, 2) = 2~i + 4~j
Eso se debe a que la matriz TNB tiene como columnas las coordenadas en la base natural
de las imagenes por T de cada uno de los vectores de la base B.
Debemos encontrar T (~i) y T (~j). Tenemos:
~i = (1, 1) + (2, 2)
por lo que
1 = 2
0 = + 2
sumando y despejando obtenemos = 1/2 y = 1/4.
por tanto ~i = 1/2(1, 1) 1/4(2, 2) y
T (~i) = 1/2T (1, 1) 1/4T (2, 2) = 1/2(1, 3) 1/4(2, 4) = (0, 1/2)
Similarmente,
~j = (1, 1) + (2, 2)
entonces,
0 = 2
1 = + 2
sumando y despejando obtenemos = 1/2 y = 1/4.
Por tanto, ~j = 1/2(1, 1) + 1/4(2, 2) y
T (~j) = 1/2T (1, 1) + 1/4T (2, 2) = 1/2(1, 3) + 1/4(2, 4) = (1, 5/2).
Por consiguiente, la matriz de T es:
0
1
N
.
T = TN =
1/2 5/2
M
etodo 2. Hay que hallar T = TNN y como tenemos TNB1 usamos la siguiente
identidad dada por un diagrama conmutativo TNN = TNB1 IBN1 .
La matriz de IBN1 es la inversa de B1 que la hallamos por cofactores: la inversa es
uno sobre el determinante por la matriz de cofactores transpuesta. Como
B=
1 2
1 2
2 1
2 1
2 2
1 1
C =
257
La inversa de B1 es
1
(B1 )
= (1/4)
2 2
1 1
1 1
3
4
1 5
3 1
2 1
3
5
258
532.
a) Para encontrar la matriz de esta T L con respecto a las bases naturales, debemos
descubrir que hace R sobre la base natural {(1, 0), (0, 1)}. Esa reflexion intercambia el
~ con el eje Y~ . Por tanto, R(1, 0) = (0, 1) y R(0, 1) = (1, 0).
eje X
y=x
~
X
~
R(X)
~j
~i
~ lo
Figura 10.4. Una reflexion R con respecto al eje y = x intercambia ~i y ~j y a X
~
transforma en R(X).
Por tanto, la matriz de T con respecto a la base natural es
0 1
N
R = RN =
1 0
escrita de esa forma, la matriz de R enfatiza el hecho de que R intercambia los ejes.
Observemos que R2 = I y que la inversa de R es ella misma.
b) Encontremos una base B, en la cual la matriz correspondiente enfatice que R es
una reflexion. Por supuesto, un elemento de la base debe ser un vector que genere el
259
eje de reflexion, en este caso, el eje es la lnea y = x, mientras que el otro vector de esa
base podra ser perpendicular al primero, un generador de la lnea y = x. Por tanto,
B = {(1, 1), (1, 1)}. A pesar de que notamos a B como conjunto, es, por contexto, un
conjunto numerado, ordenado. Escogemos el orden sugerido por la lista de B porque
~ en relacion con una reflexion
queremos que el vector (1, 1) juegue el papel del eje X
con respecto al eje Y~ .
Por tanto:
B
N B
RB
= IBN RN
IN
Tomando en cuenta que
1 1
B
IN = B =
1 1
y que
1/2 1/2
N
1
IB = B =
1/2
1/2
Obtenemos
B
RB
Al final
=B
N
RN
B
1/2 1/2
1/2
1/2
B
RB
1 0
0 1
0 1
1 0
1 1
1 1
B 2
B
R es claramente una reflexion. Observemos que (RB
) = I y que la inversa de RB
es ella misma.
Ejemplo
Estudiemos la reflexi
on R con respecto a la lnea y = 3x.
260
(R(~b2 ))B = (0, 1)
Por lo tanto:
B
RB
1 0
0 1
N 1
BRN
B
1 1
1/3
3
1
0
0 1
9/10 3/10
1/10 3/10
R=
N
RN
261
0 1
1 0
538. Ejercicio Dibuje una figura para ilustrar el ejercicio anterior. Invente un test
para verificar que todo ha sido bien hecho.
539. Ejercicio Sea i el n
umero complejo
M (x, y) = (x, iy) sobre el crculo.
262
541. Ejercicio Estudie las reflexiones con respecto a las siguientes lneas y encuentre
la ecuaci
on de la imagen por la reflexi
on de la conica dada:
a) y = x, conica: y = x2
b) y = 2x, conica: y 2 x2 = 1
c) y = x/2, conica: y = 7x
d) y = 3x + 1, x2 = y 2 . Ayuda: sea cauteloso.
Recordemos que una base es ortogonal cuando sus vectores son mutuamente perpendiculares y que es ortonormal cuando ademas tienen norma uno. Es recomendable
que cuando uno tenga la libertad de escoger los vectores a su gusto, que el primero
sea escogido en el primer cuadrante, R2 , o en el primer octante, en R3 y que tenga
determinante positivo. De esa forma uno puede imaginarse la base como si fuese la
base natural.
on es x + 2y + 3z = 0.
542. Ejercicio Considere el plano , cuya ecuaci
a) Verifique que es un sub-EV. Pruebe que su dimension es dos.
b) Encuentre una base ortogonal B de R3 tal que dos de sus vectores sean base del
plano y que el otro vector sea el vector normal del plano. Ordene B de tal manera
que tenga determinante positivo.
B
c) Defina R como la reflexion de espejo con respecto al plano . Encuentre RB
.
d) Encuentre R.
B 1
e) Encuentre R1 . Compare con (RB
) .
10.3.
Rotaciones en 3D
Ya sabemos que una rotacion en R2 tiene una matriz, con respecto a la base natural,
que es igual a
cos sen
N
R = RN =
sen
cos
10.3. ROTACIONES EN 3D
263
cos sen 0
N
cos 0
R = RN
= sen
0
0 1
~i
x
( sen , cos , 0)
(cos , sen , 0)
~j
y
264
6/6
2/2 3/3
B = INB = 26/6
0 3/3
6/6 2/2
3/3
B 1 = B T = IBN
6/6
2
6/6
6/6
= 2/2
0
2/2
3/3
3/3
3/3
1/2 3/2 0
cos(/3) sen(/3) 0
B
cos(/3) 0 = 3/2
RB
= sen(/3)
1/2 0
0
0 1
0
0 1
6/6
2/2
3/3
6/6
2
6/6
6/6
3/2
0
1/2
2/2
3/2
= 26/6
0
3/3
0
1/2
0
2/2
0
0 1
6/6 2/2
3/3
3/3
3/3
3/3
10.4.
265
Una trayectoria es una funcion que a cada instante de tiempo t le asocia una posicion
en un espacio dado.
546. Ejemplo Comencemos con una partcula que orbita con velocidad angular
uniforme formando un crculo sobre el plano generado por los ejes horizontales. Su
trayectoria se describe por
~r(t) = (cos t, sen t, 0), 0 t 2.
Si t = 0, la partcula esta en (1, 0, 0). Si t = /2 la partcula esta en el punto
(0, 1, 0). Si t = 2 la partcula alcanza su punto de partida. Observemos que el crculo
se describe en sentido antihorario.
547. Ejercicio Encuentre la trayectoria de una partcula puntual que orbita con
velocidad angular uniforme alrededor del origen formando un crculo en el plano Y Z.
548. Ejercicio Someta la trayectoria ~r(t) = (cos t, sen t, 0) al efecto de la magnificaci
on M (x, y) = (3x, 5y, 0) y encuentre la trayectoria del movimiento resultante.
549. Ejemplo Consideremos ahora el caso en el cual el movimiento circular es
sobre el plano x + y + z = 0.
Ya sabemos que existe una base ortonormal B de R3 con la misma orientacion que
la base natural y tal que sus dos primeros vectores son una base del plano (ver ejemplo
544):
6/6
2/2
3/3
~e1
~e3
266
6/6
2/2
3/3
cos
t
sen t
(~r(t))N = 26/6
0
3/3
0
6/6 2/2
3/3
550. Ejercicio Traslade el movimiento de la partcula del ejercicio previo al plano
x + y + z = 1 y encuentre la trayectoria resultante.
on del elipsoide x2 /4 + y 2 /9 + z 2 /16 = 1 que es
551. Ejercicio Encuentre la ecuaci
rotado alrededor del eje generado por (1, 1, 1) un
angulo de /3.
10.5.
Ejercicios de repaso
10.6.
Resumen
La libertad para representar una T L con respecto a cualquier par de bases ha hecho
posible imponentes tareas geometricas gracias a que con bases apropiadas se simplifican
las descripciones. En particular, hemos podido extender la regla de multiplicar matrices
para hallar la matriz de la compuesta con respecto a bases arbitrarias. De eso hemos
podido deducir naturalmente la forma de cambiar de coordenadas y la representacion
de las T L con respecto a cualquier base.
CAPITULO
11
DIAGONALIZACION
13/72 5/72
5/72 13/72
13/72 5/72
5/72 13/72
x
y
13 2 13 2 10
x + y xy = 1
72
72
72
N
Todo eso se refera a la base natural. Por eso, preferimos notar E como EN
. Sin
embargo, una elipse rotada puede ser inmediatamente reconocida como una elipse,
267
CAPITULO 11. DIAGONALIZACION
268
algo que no pasa con nuestra ecuacion. El remedio es reescribir la ecuacion de la elipse
rotada en una base apropiada, B, desde la cual se vea derecha. La base B, escrita en
forma matricial, es
2/2 2/2
B=
2/2
2/2
Puesto que la matriz B representa una base ortonormal, su inversa es la transpuesta:
2/2
2/2
1
B =
2/2
2/2
Si las coordenadas de un punto en la base B se denotan como (w, z), la elipse luce
como
w2 /9 + z 2 /4 = 1
y podemos decir inmediatamente que se trata de una elipse. Esta informacion puede
ser codificada directamente en la matriz
1/9
0
B
EB =
0 1/4
donde hemos enfatizado que esa matriz representa, en la base B, la misma inforN
macion que la matriz EN
.
De todas maneras, las dos matrices representan la misma informacion, pero con referencia a bases diferentes y, por lo tanto, estan relacionadas por una matriz de cambio
de base. En nuestro caso:
N B
N
EBB = IBN EN
IN = B 1 EN
B
N
B B N
B 1
EN = IN EB IB = BEB B
En el caso de la elipse, pudimos fabricar una base ortonormal y por tanto la matriz
inversa B 1 era simplemente la transpuesta. Pero no siempre las cosas son tan faciles
porque no siempre se goza de tanta simetra como con la elipse.
11.1.
Matrices diagonales
Ejemplo
1 0 0
D= 0 2 0
0 0 3
Ejemplo
269
La matriz diagonal
1 0 0
D(1, 4, 1) = 0 4 0
0 0 1
1 1
1
B = 0 1 2
1
1 1
1/2
0
1/2
1/3
IBN = B 1 = 1/3 1/3
1/6 1/3 1/6
B
N B
Tenemos: DB
= IBN DN
IN
Despues de los reemplazos adecuados, obtenemos:
1 0 0
B
DB
= 0 2 2
0 1 3
Observemos que esta matriz no es simetrica. Sin embargo, cuando se trata de una
base ortonormal tenemos el resultado siguiente:
556. Ejercicio Pruebe que para una matriz diagonal D el producto OT DO es simetrico, donde O es una base ortonormal.
1 1
1
B = 0 1 2
1
1 1
CAPITULO 11. DIAGONALIZACION
270
558. Ejercicio Pruebe que las matrices diagonales conmutan entre ellas, esto es,
D1 D2 = D2 D1 . Proponga una explicaci
on geometrica de ese hecho. Pruebe que esa
propiedad se conserva aun si su naturaleza diagonal se esconde detras de un cambio de
coordenadas. Demuestrelo.
11.2.
Magnificaciones
Una matriz diagonal, interpretada como la matriz de cierta T L puede verse como
una magnificacion. Para ilustrar eso, notemos que para la matriz diagonal D(1, 2, 3)
tenemos:
D(1, 0, 0) = 1(1, 0, 0)
D(0, 1, 0) = 2(0, 1, 0)
D(0, 0, 1) = 3(0, 0, 1)
Por tanto, D amplifica una vez en la direccion X, dos veces en la direccion Y . y
tres veces en la direccion Z. D es una magnificacion anisotropica, es decir, que magnifica de forma diferente en direcciones diferentes. Puesto que nunca se especifico base
alguna, se esta tratando con la base natural. Por supuesto, una magnificacion no debe
estar esclavizada a dicha base. La grafica siguiente junto a las definiciones y ejercicios
formalizaran dicha idea. Todo es algo muy simple. Sin embargo, una magnificacion es
tratada en la literatura como algo muy esoterico, con nombres complicados. Por la
fuerza de la costumbre, aprenderemos a usarlos.
T (~v )
~v
T
~u
T (~u)
559. Definici
on. Si hay un escalar y un vector ~v 6= ~0 tal que para una T L
T : V V se tenga T (~v ) = ~v , entonces al escalar se le llama eigen-valor y al vector
se le llama eigen-vector. La palabra alemana eigen (lease aiguen) significa propio.
El vector cero se excluye, pues siempre se tiene que T (~0) = ~0 para toda T L T . Sin
embargo, recordemos que el n
umero cero s puede ser un valor propio que corresponde
a un apachurramiento.
560. Ejemplo Sea T (x, y) = (x + 3y, 2x + 6y), entonces
T (1, 2) = (1 + 6, 2 + 12) = (7, 14) = 7(1, 2).
Por lo tanto, 7 es un eigen-valor de T y el correspondiente eigen-vector es (1, 2).
Tambien decimos que (7, (1, 2)) es un par propio.
11.2. MAGNIFICACIONES
271
1/9
0
0
1/4
representa una T L con respecto a B. Por supuesto, ver ejemplo 552, dicha transformacion lineal es una magnificacion. Si reescribimos dicha T L con respecto a la base
natural obtenemos:
13/72 5/72
N
TN = T =
5/72 13/72
565. Teorema. Si dos matrices M y N son similares, entonces existe una matriz
invertible K tal que M = K 1 N K.
CAPITULO 11. DIAGONALIZACION
272
568. Ejercicio Sabemos que las bases no juegan papel alguno en la definicion de un
determinante de una T L, es decir, el determinante de una T L es algo asociado a la
T L independiente de cualquier base. Formule la definicion de determinante de una T L
de tal forma que lo dicho sea obvio. Ayuda: el determinante debe ser funci
on de un
espacio de T L en R y re
une ciertas propiedades.
569. Ejemplo Sea la matriz M similar a la matriz diagonal D = (1, 2, 0), entonces
M es no invertible, pues su determinante es cero, por lo que M apachurra contra cero
alguna parte de su dominio. Es claro que el Kernel tiene dimensi
on uno y que la imagen
tiene dimensi
on dos.
570. Ejercicio Cierta matriz M es similar a una matriz diagonal. Por favor, diga
cuando la matriz original es invertible, la dimensi
on del Kernel y de la Imagen, si:
a) D(1, 0, 1)
b) D(1, 1, 1)
c) D(1, 0, 0)
d) D(1, 0, 3, 0)
e) D(2, 3, 0, 1, 0).
571. Ejercicio Para calcular el Kernel y la Imagen de una T L dada, hemos apelado
en captulos anteriores a la base natural. Sin embargo, hemos usado en el ejercicio anterior la creencia de que dichos espacios pueden calcularse en cualquier representaci
on,
en particular en una base propia, cuando existe, porque las respuestas son inmediatas.
Es eso correcto? En ese caso, pruebelo, o bien de un contraejemplo.
11.3.
El eigen-problema
11.3. EL EIGEN-PROBLEMA
273
dos ya hallados. Observemos que el conjunto {(1, 2), (3, 1)} es una base de R2 y por
tanto T puede escribirse con respecto a B como TBB = D(1, 0). De esa forma, T es una
magnificacion o una T L diagonal.
0 1
1
0
0 1
1
0
x
y
x
y
x
y
eso es equivalente a
y = x
x = y.
Multiplicando la primera ecuacion por , la segunda por 1 e igualando, obtenemos:
y = 2 x = x
2 x + x = 0
Factorizando
(2 + 1)x = 0
274
11.4.
Diagramas conmutativos
1 0 ... ... 0
0 2 0 ... 0
FBB = ..
..
..
. ... . ...
.
0 ... ... ... n
En una palabra, FBB es una matriz diagonal compuesta de los valores propios, en el
mismo orden en el cual la base fue numerada.
275
Rn
INB
FNN
Rn
11.5.
Con los ejercicios, por demas simples, que hemos visto, queda claro que el problema
propio puede dar lugar a tremendos problemas algebraicos. Afortunadamente, contamos
con una muy buena manera de usar el determinante para facilitarnos la vida. Veamosla.
El problema propio F (~v ) = ~v es equivalente a F (~v ) ~v = ~0. Factoricemos ~v .
Para hacerlo, no podemos proceder como sigue: (F )~v = ~0 porque un n
umero no
puede ser restado de una T L. Para obtener matriz menos matriz procedemos como se
debe:
(F I)~v = ~0
donde I es la identidad. Ahora, esta ecuacion siempre tiene la solucion trivial ~v = ~0.
Por lo que a nosotros lo que nos interesa realmente es encontrar soluciones no triviales.
Si llamamos M = F I, estamos buscando soluciones no triviales a M~v = ~0. Pero
eso implicara que buscamos un vector que sea apachurrado contra cero. Por lo tanto,
Det(M ) = 0, y esa ecuacion da un polinomio en terminos de , cuyas races son los
valores propios de F .
Podemos resumir:
580. Teorema. Una condici
on necesaria para que una T L pueda ser diagonalizada
es que Det(F I) = 0 para alg
un n
umero .
CAPITULO 11. DIAGONALIZACION
276
581.
Ejemplo
Diagonalicemos la matriz
F =
0 1
1 0
Solucion: Esta matriz define una T L que notamos F . Queremos encontrar vectores no
nulos que satisfagan la ecuacion F (~v ) = ~v que es lo mismo que encontrar vectores no
nulos que satisfagan F (~v I)~v = ~0, por lo que Det(F (~v ) I) = 0.
0
1
= ()2 1 = 2 1 = 0,
Det
1 0
lo cual implica que hay dos soluciones para , es decir, dos valores propios 1 y 1.
Para encontrar los correspondientes vectores propios, procedemos primero con = 1:
Necesitamos encontrar vectores ~v tales que (F I)~v = (F I)~v = ~0. Eso produce
0
v1
1
1
v1
01
1
=
=
0
v2
1 1
v2
1 01
Notemos que la primera ecuacion se transforma en la segunda si se multiplica por
1. Por consiguiente, cuando reduzcamos la matriz por Gauss-Jordan, la segunda
ecuacion se desaparece, pues no da informacion adicional, en perfecto acuerdo con
lo que se espera de una matriz con determinante igual a cero.
Ahora, tenemos una sola ecuacion v1 + v2 = 0. Como hay dos incognitas, hay
un grado de libertad, lo que significa que uno puede elegir a su antojo el valor de
una de las coordenadas del vector propio. O lo que es lo mismo, un vector propio que
es multiplicado por un escalar tambien da un vector propio asociado al mismo valor
propio.
Tomando la ecuacion v1 + v2 = 0, que es lo mismo que v1 = v2 , dando al v1 el
valor de 1 obtenemos que v2 toma el mismo valor. Por lo tanto, un vector asociado al
valor propio 1 es (1, 1).
Ahora analizamos el valor propio 1:
v1
0
v1
1 1
0 (1)
1
=
=
0
v2
1 1
v2
1 0 (1)
Olvidamos la segunda ecuacion y en la primera, v1 + v2 = 0, ponemos v1 = 1 por
lo que v2 = 1, y obtenemos el vector propio (1, 1). Notemos que el segundo vector
es perpendicular al primero: esto es lo que pasa cuando empezamos con una matriz
simetrica de coeficientes reales (probaremos esto mas adelante). Eso implica que
encontrar el primer vector propio de una matriz simetrica 2 2 determina inmediatamente el segundo por ortogonalidad.
Ahora manufacturamos una base propia con determinante igual a +1. Eso se hace
dividiendo cada vector propio por su norma. La norma de (1, 1), usando Pitagoras, es
277
vectores
1/2 1/2
IBN =
1/ 2
1/ 2
Y la representaci
o
n diagonal de F es
1
0
FBB =
0 1
582. Ejercicio Con las matrices encontradas en el ejercicio previo, verificar que
FNN = INB FBB IBN .
583. Definiciones. Dada una matriz M, el polinomio que resulta de evaluar
Det(M I) = 0 se denomina el polinomio caracterstico de M . La multiplicidad
algebraica de un valor propio es igual al n
umero de veces que el valor propio se
repite como raz del polinomio caracterstico de la matriz. Por ejemplo, si el polinomio
caracterstico es p() = ( 3)2 ( 4) = 0 entonces 3 tiene multiplicada algebraica 2,
mientras que 4 tiene multiplicada algebraica 1.
584.
Ejemplo
0 1
1
0
278
1 2 3
b) 0 1 4
0 0 1
1 2 0
c) 0 1 0
0 0 1
1 0 3
d) 0 1 0
0 0 1
1 0 0
e) 0 1 1
0 0 1
587. Ejercicio Analice el siguiente razonamiento: Hemos mostrado, como se esperaba, que una rotaci
on de
angulo /2 no tienevalores propios reales. Sin embargo,
una magnificaci
on por el n
umero complejo i = 1 puede causar una rotaci
on. Por
lo tanto, una rotaci
on no es diagonalizable en reales pero s en complejos. En general,
la solucion al problema propio siempre comienza con la b
usqueda de las races de un
polinomio y un polinomio de grado n siempre tiene n races, que pueden ser complejas.
Hemos probado que toda matriz es diagonalizable en complejos.
279
2x
+
2
= 0 por x 1 para encontrar
2
el cociente x 2, cuyas races son: 2, 2.
on Para la ecuaci
on (x 1)3 = x3 3x2 + 3x 1 = 0,
592. Ejemplo y definici
podemos comenzar con las posibles races racionales +1, 1. Un chequeo dice que
1 es raz, pero que 1 no lo es. En donde est
an las otras dos races? Dividimos
3
2
x + 3x + 3x + 1 por x 1 para obtener (x 1)2 = x2 + 2x + 1. Este polinomio
tiene como posibles races a 1, 1. Un chequeo directo dice que 1 es raz pero que 1
no lo es. Dividimos por (x 1) para obtener x 1 como cociente, cuya u
nica raz es
1. Por lo que el polinomio tiene 3 races pero todas iguales. En nuestro ejemplo, 1 es
una raz de multiplicidad algebraica 3.
593. Ejemplo Para el polinomio x2 3x/2 + 1/2 = 0, debemos multiplicar todo por
2 para obtener 2x2 3x + 1 = 0 cuyas posibles races racionales son 1, 1, 1/2, 1/2.
Un chequeo dice que 1 y 1/2 no son races, pero que 1 y 1/2 s lo son.
CAPITULO 11. DIAGONALIZACION
280
6 2
0
6 3
a) 3
0 1
6
4 4 2
3 6
b) 6
1 2
5
0 4
6
3 6
c) 6
3 2 3
2/3 2/3
8/3
2
1
d) 1
4/3 1/3 2/3
2/3 2/3
4/3
1
0
1
e)
2/3 1/3 4/3
596. Ejercicio Pruebe que si dos matrices tienen la misma base propia, entonces
necesariamente conmutan entre ellas.
11.6. MATRICES SIMETRICAS
281
11.6.
Matrices sim
etricas
599. Teorema. Los valores propios de una matriz simetrica real son todos reales.
Prueba en dos pasos. Paso 1. Es posible definir un producto punto, interno o
interior para vectores con coordenadas complejas.
Demostraci
on. Sea S una matriz simetrica y sea ~v un vector propio con el correspondiente valor propio. Debemos probar que se trata de un n
umero real. Como lo haremos? Es un placer explicitar que toda nuestra teora ha sido construida para n
umeros
reales y que, por tanto, debemos reconstruir todo de nuevo para tener derecho de hablar
282
11.7. RECONOCIENDO LAS CONICAS
283
601. Teorema de los ejes principales. Toda matriz simetrica real (con entradas
reales, sin imaginarios) S, es diagonalizable, lo cual significa que tiene una base propia
con respecto a la cual se ve como diagonal, D. Esto es equivalente a decir: Sea S una
matriz simetrica. Entonces existe una matriz ortogonal B que diagonaliza a S, es decir
S = B T DB. Cada elemento de la base genera un eje que se llama un eje principal
y de ah el nombre del teorema. En las aplicaciones, pr
oximo captulo, veremos la
importancia de dichos ejes.
Demostraci
on: Investigacion. Pruebe que uno puede formar una base de vectores
propios B que expanden todo el espacio dominio de la T L codificada por S. En la base
B, S se ve como diagonal, D. Al relacionar D y S se tiene que S = BDB T .
602. Ejercicio Diagonalice, si tan s
olo es posible, las siguientes matrices. Ellas son
2 2, para practicar con matrices 3 3, pase al captulo siguiente donde tendremos de
sobra. Las matrices son:
1 1
a)
1 1
1 2
b)
2 4
1
2
c)
2 3
1
5
d)
5 3
1
6
e)
6 1
603. Investigaci
on Las rotaciones no producen magnificaciones (en n
umeros reales),
por lo tanto no pueden ser similares a una matriz diagonal. Por ello, es posible que
toda T L tenga en parte una rotaci
on y en parte una magnificaci
on. Sera eso verdad?
Por favor, de ejemplos, contraejemplos, pruebas y todo lo que haga falta para dilucidar
esa intriga.
11.7.
Reconociendo las c
onicas
Sabemos que la ecuacion de una conica que ha sido rotada incluye terminos de la
forma xy. Por ejemplo, la ecuacion 13x2 10xy + 13y 2 = 72 describe una elipse rotada
en sentido contrario a las manecillas del reloj un angulo de /4. Ahora enfrentaremos
el problema inverso: determinar la naturaleza de una conica junto con el angulo de
rotacion de la figura cuya ecuacion en la base natural es ax2 + by + cy 2 + dx + ey = f .
Para poder hacer eso haremos uso de todo el poder de la diagonalizacion.
CAPITULO 11. DIAGONALIZACION
284
5 5
5
5
v1
v2
=0
Observemos que el determinante de esta matriz es cero, como debe ser. Esto se
debe a que la segunda ecuacion es redundante y que nos queda una ecuacion con dos
incognitas, por lo que una incognita puede ser fijada a voluntad: sea v1 = 1 por lo que
v2 = 1. Por lo tanto, el primer vector propio es (1, 1). Reemplazando el segundo valor
propio debe producir el segundo vector propio (1, 1), puesto que a valores propios
diferentes corresponden vectores propios perpendiculares. Es esto verdad? Veamos:
v1
13 18
5
=0
v2
5 13 18
v1
5 5
=0
v2
5 5
eso se reduce a la ecuacion 5v1 5v2 = 0, la cual se satisface con (1, 1). Con estos
dos vectores propios formamos una matriz de tal forma que su primer vector unitario
quede en el primer cuadrante y el segundo en el segundo cuadrante. De esa manera el
determinante queda positivo. Podemos formar pues la base ortonormal
11.7. RECONOCIENDO LAS CONICAS
285
2/2
2/2
B=
2/2
2/2
Esa base es el resultado de rotar la base natural un angulo de /4. Esta matriz tambien representa la matriz de cambio de coordenadas INB , cuya inversa es su transpuesta:
(INB )1 = (INB )T = IBN .
De otro lado, cada elemento ~bi de la base B obedece a la ecuacion M~bi = ~bi . Por
lo tanto, la matriz adquiere la forma diagonal D en la base B:
8 0
B
D = MB =
0 18
Las dos representaciones estan ligadas por las identidades
MBB = IBN MNN INB
MNN = INB MBB IBN
Usando la segunda identidad, podemos reescribir la ecuacion de la conica
X T M X = 72 en la base B. De hecho, la ecuacion original es exactamente:
(XN )T MNN XN = 72.
Podemos hacer las sucesivas transformaciones
(XN )T INB MBB IBN XN = 72
(XN )T (IBN )T D(IBN XN ) = 72
(IBN XN )T DXB = 72
XBT D(XB ) = 72
Si a las coordenadas XB de un punto X en la base B las llamamos (u1 , u2 ), entonces
obtenemos
8 0
u1
u1 u2
= 72, o
u2
0 18
8(u1 )2 + 18(u2 )2 = 72
(u1 )2 /9 + (u2 )2 /4 = 1.
Conclusi
on: la ecuacion en la base natural representa una elipse con ancho 3 en
la direccion (1, 1), y ancho 2 en la direccion (1, 1). El angulo de rotacion es /4.
Notemos la correspondencia natural: la primera coordenada u1 fue dada por el primer
vector de la base, el cual iba en la direccion (1, 1) con valor propio 8, mientras que la
segunda coordenada u2 iba en la direccion (1, 1), cuyo valor propio es 18.
El merito de una base ortonormal es que cuando es considerada como matriz, su
inversa es su transpuesta. Sin embargo, uno tambien puede trabajar en una base ortogonal cuyos elementos tienen igual largo, y aun en el caso en el cual el primer vector
no este en el primer cuadrante.
605.
Ejemplo
CAPITULO 11. DIAGONALIZACION
286
M=
MNN
11/10 3/10
3/10 19/10
MBB
1 0
0 2
la direccion normal, (1, 3), tiene ancho 2/2. Su angulo de rotacion es Arctan(1/3).
606. Ejercicio Pruebe que la base B dada por
B=
3 1
1
3
es una base propia de todas las conicas dadas, encuentre los valores propios, la
forma diagonal de las conicas, la ecuacion asociada, el angulo de rotacion y haga un
dibujo (el papel de ~i es jugado ahora por (3, 1) y el de ~j por (1, 3)). Las conicas estan
representadas por una ecuacion cuyo lado derecho es uno, pero en caso de inconsistencia
la ecuacion debe igualarse a 1. En la base natural, las conicas estan representadas
por las matrices:
21/10 3/10
a)
3/10 29/10
6/10 12/10
b)
12/10 26/10
8/10 6/10
c)
6/10 8/10
14/10 12/10
d)
12/10 46/10
12/10 6/10
6/10 28/10
287
f) Tome varios pares (A, B) de esas matrices y realice los productos AB y BA. Que observa usted? Podra explicarlo?
11.8.
Ejercicios de repaso
1 0 0
2. Para que valores de a la matriz A = 0 0 1 es diagonalizable?
0 a 0
1
1 0
3. Considere la matriz A = 0 1 0 . Es A diagonalizable? En caso afir0
0 1
mativo, hallar su forma diagonal D y obtener una matriz P invertible tal que
P 1 AP = D.
4. Muestre que si B 2 = I, entonces los valores propios de B son 1 y 1.
5. Encuentre una matriz A22 simetrica con
propios
1 = 1, 2 = 2 y
valores
1
1
.
y v~2 =
vectores propios correspondientes v~1 =
1
1
6. Si Ann es diagonalizable y 1 , ..., n son los valores propios de A entonces
Det(A) = 1 2 ...n .
11.9.
Resumen
Una matriz diagonal es casi la mas simple y ademas tiene una interpretacion geometrica simple: es una magnificacion anisotropica (que no funciona igual en todas las
direcciones). La libertad de expresar una T L en cualquier base se explota al maximo
en la diagonalizacion, un programa que consiste en fabricar una base especial, una base
propia, que permita una representacion diagonal de dicha T L. Vimos que esto se usa
para reconocer una conica cuya naturaleza esta escondida detras de una rotacion. Pero
288
CAPITULO
12
APLICACIONES
12.1.
Ajuste de patrones
Un patr
on es un objeto que sirve de modelo o referencia para comparar objetos
de un conjunto dado. Por ejemplo, un crculo en el plano es un conjunto de puntos
que equidistan perfectamente de otro punto dado. Cuando nosotros vemos una figura,
inmediatamente la comparamos con la batera de patrones que hay en la mente, crculos,
cuadrados, triangulos y demas. No existe en la naturaleza elementos perfectamente
circulares, pero nosotros decimos que algo es circular porque el patron circular es el
que mejor se ajusta a la figura. Eso quiere decir que hay una diferencia entre el patron
y el objeto a clasificar y que el patron crculo es el que minimiza la diferencia.
Lo anterior implica que las diferencias se pueden cuantificar, medir de alguna manera. En algunos casos esto puede ser algo muy complicado. Por ejemplo, la ciencia
no es mas que un estudio del grado y calidad del ajuste entre las teoras, patrones
preconcebidos, y los datos de la naturaleza. Pero en otros caso, el problema de ajuste
puede ser tratable e incluso sencillo, pues se reduce a la solucion de un sistema de
ecuaciones lineales.
608.
Ejemplo
Lnea de regresi
on de mnimos cuadrados.
290
Solucion: Nosotros dibujamos los puntos sobre un plano cartesiano, lo cual se denomina un diagrama de dispersi
on.
12
11
b
10
9
b
8
7
b
6
5
b
4
b
3
2
1
0
-1
-1
10
9
b
8
7
b
6
5
b
3
2
1
0
-1
-1
Figura 12.2. Estimacion visual de la lnea que mejor representa los datos, aquella
que causa un mnimo de descontento global.
291
X
i
(yi ( + yi ))2 =
X
i
(yi yi )2
y se llama error cuadratico. El patron buscado es aquella lnea recta que minimiza el error cuadratico y se llama lnea de regresi
on de mnimos cuadrados.
Para minimizar una funcion como esta, derivamos e igualamos a cero, pero como la
funcion depende de dos variables, usamos derivadas parciales en las que cuando se
deriva parcialmente con respecto a una variable, las demas se consideran constantes.
=2
(yi xi )(1) = 0
i
Dividimos a ambos lados por 2 y individualizamos la sumatoria:
X
X
X
=
yi
xi = 0
i
i
P i
El termino i es igual a la suma de n terminos cada uno de los cuales vale ,
por lo tanto este
P termino vale n.
P
El termino P i yi es igual a nY donde Y es la media de los yi pues Y = (1/n) i yi .
Reemplazando obtenemos:
Similarmente, i xi = nX.
nY n n Y = 0
Dividiendo por n y despejando obtenemos:
= Y X
Ahora derivamos parcialmente con respecto a :
292
X
=2
(yi xi )(xi ) = 0
i
Dividiendo por 2 y expandiendo obtenemos:
X
X
X
=
xi yi
xi
(xi )2 = 0
i
i
i
Utilizamos
la definici
on de la media de los xi :
X
X
xi yi nX
(xi )2 = 0
i
Reemplazamos por Y X:
X
X
X
xi yi n(Y X)
(xi )2 = 0
i
es
Xdecir
X
Y + n(X)
2
x i y i nX
(xi )2 = 0
i
o sea
X
X
Y + [n(X)
2
(xi )2 ] = 0
x i y i nX
i
Pi
Y
x i y i nX
P
2
2
n(X)
i (xi )
El signo menos lo usamos en el denominador y al final
P
Y
x i y i nX
=Pi 2
2
i (xi ) n(X)
Ahora despejamos : =
tiempo de experiencia x
(xi )2
(yi )2
9
25
4
25
4
16
16
81
9
49
25
121
P
P
2
(xi ) = 67
(yi )2 =317
Calculamos
los promedios. Como en este caso tenemos 6 pares de datos:
P
x = P x/6 = 19/6 = 3.17
y = y/6 = 41/6 = 6.83
La lnea de regresi
P on (mn. cuadrados): y = a + bx se determina por
xy n
xy
SSxy
= P 2
;
=
SSxx
x n
x2
= y x.
Para nuestro ejemplo, esto se convierte en
12.2. CUADRICAS
293
15.09
145 6(3.17)(6.83)
=
= 2.24
2
67 6(3.17)
6.71
a = y b
x
b=
Comparando las dos ecuaciones, la sacada por calculo grafico y la sacada por formulas, vemos que hay concordancia y por tanto podemos confiar en que hemos hecho bien
las cosas.
Observemos que nosotros podemos hallar la lnea de regresion para datos que se
ajustan a cualquier modelo, digamos a una parabola. Por lo tanto, la lnea de regresion
de por s no significa mucho. Lo que falta por hacer es demostrar que dicha lnea es un
buen modelo y que compite con otros. Por otra parte, no hay lmite ni a la variabilidad
ni a la complejidad de los modelos estudiados. Tenemos muchsima experiencia con
este tipo de problemas y es parte de la estadstica (Jobson, 1991).
12.2.
Cu
adricas
En esta seccion estudiamos un tipo especial de figuras tridimensionales que representan generalizaciones a la parabola, la elipse, la hiperbola, etc.
610. Ejemplo
cuales es
y 2 + z 2 = 1.
294
~
Z
1
1
Y~
1
~
X
Ejemplo
El hiperboloide de un manto.
Consideremos ahora una expresion mas compleja: x2 + y 2 z 2 = 1. Podemos reconocer que figura es con una simple manipulacion: x2 + y 2 = z 2 + 1. De esa forma,
nos damos cuenta de que tenemos un crculo en el plano XY cuyo radio se relaciona
con el valor de z: mientras mas grande sea z, el radio del crculo es mas grande, es
decir, a medida que subimos el plano XY , la interseccion con este es un crculo cada
vez mas grande. Oficialmente se dice: la traza de x2 + y 2 = z 2 + 1 con z = constante,
es un crculo que es funcion creciente y par de z. Ademas, para poder apreciar mejor
la silueta de esta figura, fijamos y = 0, y nos queda una hiperbole: x2 = z 2 + 1. Por
tanto, podemos hablar de una figura que se llama hiperboloide de un manto:
z=2
z=1
z = 1/2
12.2. CUADRICAS
295
Si pegamos todos esos crculos obtenemos una figura tridimensional, la cual puede
visualizarse por medio de una espiral:
612.
Ejemplo
La esfera.
z = 0,8
z = 0,5
z = 0,2
296
Las trazas con z = k dan crculos y al pegar todas esas curvas se obtiene una esfera,
en este caso de radio 1.
613.
Ejemplo
12.2. CUADRICAS
297
298
Pasemos ahora a explorar el poder del algebra lineal. Nuestra tarea primaria es
demostrar que no nos falta ninguna figura, lo cual quiere decir que hemos estado trabajando con ecuaciones polinomicas de segundo grado y si a
nadimos una ecuacion del
tipo 13x2 10xy + 13y 2 = 72, que no hemos visto, nada ganaremos. En general, todas
las complicaciones posibles son ligeras modificaciones de lo ya visto.
615. Definici
on. Una k-cu
adrica es una ecuaci
on polin
omica de segundo grado
2
2
en k variables. Por ejemplo, 13x 10xy + 13y = 72 es una 2-cuadrica, mientras que
13x2 10xy + 13y 2 72z 2 = 1 es una 3-cuadrica.
616. Ejemplo Veamos de que manera un simple cambio de base puede ser usado
para reescribir una expresi
on complicada en otra
forma cuya interpretacion es inme2
2
2
diata. Consideremos la cuadrica x + 2y + 3z + 2 2yz = 1. La matriz asociada a ella
es:
1
0 0
B
2
DB
= 0 2
2
3
0
espacio propio el generado por (0, 2, 2). El valor propio 1 tiene un espacio propio de
2 dimensiones, generado por una base
con 2 elementos. Escogemos una base para este
sub-EV tal que su union con (0, 2, 2) sea una base ortogonal:
1
6
0
2
C= 2
2
2 2
2
Esta base da origen a una ortonormal
0
1/
7
6/
42
B=
1/3
2/7
2/42
2/ 7 2/ 42
2/ 6
cuya transpuesta coincide con su inversa. La matriz diagonal asociada a esa cuadrica
es, por tanto, D = D(4, 1, 1). Eso implica que desde la base B la cuadrica se vea como
2
4u21 + u22 +
1/2 en la
u3 = 1, la cual es un elipsoide,
cuyos anchos principales son
direccion (0, 2, 2), 1 en la direccion (1, 2, 2), y 1 en la direccion (6, 2, 2).
Observese que pudimos escoger nuestra base en el sub-EV de dos dimensiones
a capricho, y eso se debe a que en este caso una seccion transversal es un crculo.
Si permanecemos en el plano que contiene el crculo, podemos cambiar de una base
ortonormal a otra, pero la ecuacion del crculo permanecera invariable. Eso explica
nuestra libertad.
617. Ejercicio Estudie las siguientes cuadricas. Encuentre los valores propios, los
vectores propios correspondientes, la base propia ortonormalizada, la forma diagonal,
y finalmente haga un dibujo. Las cuadricas son:
12.2. CUADRICAS
299
on propuesta a la
618. Ejercicio: al derecho y al rev
es. Aplique la magnificaci
cuadrica dada y recobre la original por una transformaci
on inversa:
a) D(1, 2, 3), x2 + y 2 + z 2 = 1
b) D(1, 2, 3), x2 + y 2 + z 2 = 1
c) D(1, 1/2, 1/3), x2 y 2 + z 2 = 1
d) D(1, 0, 3), x2 + y 2 /4 + z 2 /9 = 1
e) D(1, 1/2, 3), x2 y 2 z 2 = 1.
Hemos estado trabajando en la construccion de figuras que estan centradas en el
origen, y que pueden ser rotadas y agrandadas o achicadas. Consideremos ahora una
nueva variante:
619. Ejercicio Revise la seccion de traslaciones al principio del curso y use la
teora correspondiente para trasladar las cuadricas dadas al punto dado:
a) x2 + 3xz z 2 = 1; (1, 2, 3)
b) x2 y 2 + 3xy + 4z 2 = 1; (1, 2, 3)
c) x2 y 2 + 5xy 5xz3z 2 = 1; (4, 2, 3)
d) x2 y 2 + 3xy 9z 2 = 1; (1, 5, 3)
e) x2 y 2 3xy 5xz + z 2 = 1; (1, 2, 7).
Ahora enfrentemos el problema inverso: dada una cuadrica con terminos de primer
grado, encontremos una traslacion que la reduzca a una cuadrica ordinaria centrada
fuera del origen.
620.
Ejemplo
300
s2 11s + 3su u2 + 3u = 0
En este caso, la traslacion asume la siguiente forma: s = x a, u = z b. Por lo
que la cuadrica se convierte en
(x a)2 11(x a) + 3(x a)(z b) (z b)2 + 3(z b) = 0
Nuestro objetivo es cancelar los terminos de la forma cx o kz, los cuales son distintivos de las traslaciones. Por lo tanto, desarrollamos nuestra expresion:
x2 + 3xz z 2 + (2a 11 3b)x + (3a + 2b + 3)z + a2 + 11a + 3ab b2 3b = 0
por lo tanto:
2a 11 3b = 0
3a + 2b + 3 = 0
de lo cual encontramos que a = 1 y b = 3 y por tanto
a2 + 11a + 3ab b2 3b = 1
Obtenemos
x2 + 3xz z 2 + 0x + 0z 1 = 0
o
x2 + 3xz z 2 = 1
la cual es una cuadrica que ha sido rotada y cuyo estudio ya sabemos hacer. Tenemos
un cilindro en el plano XZ, que es generado por una hiperbola.
621. Ejercicio Las siguientes expresiones representan cuadricas que han sido trasladadas desde el origen al punto dado P . Encuentre la traslacion y reescriba la cuadrica
como vista desde los ejes trasladados, desde la cual se ve como una cuadrica ordinaria:
a) x2 + 5xz z 2 12x + 9z = 18
b) x2 y 2 + +4z 2 + 9y = 1
c) x2 y 2 + 3z 2 16z = 1
d) x2 y 2 + 3xy 9z 2 9z = 1
e) x2 y 2 3xy 5xz + z 2 + 4x = 1
12.3.
Ejes principales
Los ejes principales tienen una vvida intepretacion en la dinamica de cuerpos rgidos. No hay que pensar que eso es complicado. Veamos como es eso de entendible y de
bonito.
Un cuerpo rgido es aquel que no se deforma al irse moviendo sea libremente o
bajo el influjo de fuerzas externas. No existen cuerpos verdaderamente rgidos, pero
s existen cuerpos aproximadamente rgidos para los cuales se aplica la teora.
El movimiento de un cuerpo rgido, como un avion de combate de geometra fija, se
describe en cada instante por el movimiento de su centro de masa y por una rotacion
301
302
pero ahora [I] ya
esta dado por
Ixx Ixy
Iyx Iyy
[I] =
Izx Izy
Ixz
Iyz
Izz
donde I es simetrico.
1
J2
2I1 1
1
J2
2I2 2
1
J2
2I3 3
En el siguiente teorema tenemos un resultado que amerita el nombre de ejes principales que se ha dado a los ejes propios del momento de inercia.
303
~.
+ J~ = N
Por lo que aunque no haya fuerza exterior que cree un torque, la discrepancia entre
la velocidad angular y el momento angular hace las veces de torque.
Es el caso del trompo: como no es totalmente simetrico como una esfera, el tensor
de inercia no es reemplazable por un escalar y por tal razon, habra un angulo entre
la velocidad angular y el momento angular. Cual es el efecto? Que mientras que el
trompo gira anclado en un mismo punto del piso, su eje de rotacion va dando la vuelta.
A eso se llama precesi
on.
Es posible que a uno se le ocurra pensar que todos estos temas ya han sido sobreestudiados y que no hay nada nuevo que decir. Pues no, ese no es el caso. Citemos
varios ejemplos:
Debido a que la Tierra no es una esfera perfecta, toda la teora se le aplica y resulta
que las observaciones cuadran bien, pero no perfectamente con la teora. Y nadie sabe
por que. De forma similar, creemos que el calentamiento global esta modulado por la
forma como se mezclan las aguas profundas de los oceanos, cuyos movimientos estan
influenciados por la rotacion de la Tierra. Pero de eso es poco lo que se sabe, es un tema
abierto. Para acabar de completar, el campo magnetico de la Tierra y su rotacion deben
admitir alguna conexion, cuya forma exacta es tema de estudios avanzados (Kittel y
otros, 1965).
304
12.4.
M
aximos y mnimos
12.4. MAXIMOS
Y MINIMOS
305
306
y
x
12.4. MAXIMOS
Y MINIMOS
307
624. Ejercicio Los siguientes paraboloides son tangentes en (0, 0) a ciertas funciones, en donde ellas tienen un punto crtico. Decida, si es posible, la naturaleza del
punto crtico:
a) z = x2 /4 y 2 /9
b) z = x2 /16 y 2 /25
c) z = 3x2 + y 2 /9
d) z = 4x2 + y 2 /16
e) z = 2x2 /4 7y 2
f) z = x2 /9 + y 2 /4
g) z = x2 /9 3y 2
h) z = 7
i) z = +7
Observemos que en esta muestra de puntos crticos, la mayora son sillas. Es eso
una coincidencia o que?
625. Ejercicio Decimos que un punto crtico es estable cuando es un mnimo o
maximo. Si se trata de una silla, decimos que es inestable. Pruebe que cuando una
cuadrica depende de n variables, la probabilidad de que el sistema sea estable en un punto crtico es 2/2n = 1/2n1 . Esto parece implicar que cuando muchas variables afectan
un sistema, la probabilidad de inestabilidad es muy alta. Como se ataca este problema
en la industria? En las empresas? En las sociedades? Ser
a la tendencia a la inestabilidad una razon por la cual en la mayora de culturas se apela a dioses y ag
ueros para
remediar la incapacidad de conservar la estabilidad o el desarrollo sostenible?
626. Ejemplo Supongamos que el paraboloide tangente a cierta figura en un punto
crtico es z = x2 + y 2 4xy. Tenemos aqu un maximo o un mnimo o que? Este es
un problema de diagonalizaci
on. La figura es un paraboloide rotado sobre el plano XY.
El paraboloide est
a descrito por
z=
x y
1 2
2
1
x
y
Los valores propios de la matriz asociada son 3 y 1. Esto significa que hay una
base ortonormal que genera las coordenadas (u, v), desde la cual la figura se ve como:
3
u
0
= 3u2 v 2 ,
z= u v
v
0 1
la cual es una silla. Por lo tanto, el punto crtico se clasifica como silla.
308
628. Ejercicio Pruebe que z = p(x, y), donde p es un polinomio de segundo grado,
define un punto crtico estable si el determinante de la matriz asociada es positivo.
Que pasa en otras dimensiones?
12.5.
Sistemas din
amicos lineales
12.5. SISTEMAS DINAMICOS
LINEALES
309
= P D(I)D(I...I)D(I)DP 1 )
= P DD...DDP 1 = P Dn P 1
Por tanto, el problema de iterar una matriz diagonalizable se convierte en el problema de iterar una matriz diagonal.
629. Teorema. Dn de una matriz diagonal D es la matriz diagonal que en su
diagonal pone la potencia n de cada uno de sus elementos.
630.
Ejemplo
Si la matriz diagonal:
3 0 0
D= 0 5 0
0 0 7
Entonces
38 0 0
D8 = 0 58 0
0 0 78
631. Investigaci
on Demuestre el teorema anterior en su forma general usando el
principio llamado Induccion matematica.
Vamos a discutir ahora un requisito para ser diagonalizable.
632. Teorema. Sea M una matriz diagonalizable que tenga al menos un valor
propio no nulo. Entonces M n es diferente de la matriz cero para cualquier n finito.
Demostraci
on. Puesto que M es diagonalizable se puede escribir como M = P DP 1
donde D es una matriz diagonal y P es una matriz de cambio de base. Por lo que
M n = P Dn P 1 . Como Dn tiene en su diagonal los valores propios a la potencia n, y
al menos uno de ellos no es cero, entonces Dn nunca sera la matriz cero por lo que M n
tampoco.
Este teorema significa que si una matriz A es tal que existe un natural n tal que An
es la matriz cero, entonces A no puede ser diagonalizable ni en reales ni en complejos.
on Sea la T L T : R2 R2 tal que T (~i) = ~j, T (~j) = ~0,
633. Ejemplo y definici
entonces la matriz de T 2 es la matriz cero. En efecto, T (T (~i)) = T (~j) = ~0 en tanto que
T (T (~j)) = T (~0) = ~0. Como T 2 manda una base sobre cero, manda a todo el mundo
sobre cero y de esa forma es identicamente cero. La matriz de T en la base natural es
0 0
T =
1 0
la cual cumple T 2 = 0. Una matriz M tal que M n = 0 para alg
un n se llama nilpotente. Las matrices nilpotentes no son diagonalizables ni en reales ni en complejos.
310
0
1
12.5. SISTEMAS DINAMICOS
LINEALES
311
n(n1) 1998 2
I N
2
+ ... + N 2000
Como la matriz N es tal que su cuadrado y todas las potencias superiores son cero,
nos quedamos con:
312
1 0
0 1
+ 2000
0 1
0 0
1 2000
0
1
640. Fuerte advertencia. Nosotros utilizamos el desarrollo del binomio que todos
conocemos que es valido para n
umeros. Podemos aplicarlo a matrices? Podemos, pero
con una condici
on: que las matrices conmuten, es decir, que para matrices A y B, se
cumpla que AB = BA. Para matrices no conmutativas hay que tener mas cuidado.
Por ejemplo: (A + B)2 = A2 + AB + BA + B 2 que es igual a A2 + 2AB + B 2 solamente
cuando AB = BA.
Una de las implicaciones de la no conmutatividad est
a en teora de partculas elementales: si la interaccion entre partculas se representa por matrices conmutativas,
los mediadores de la interaccion no tienen masa, como sucede con la interaccion electromagnetica entre electrones, la cual es mediada por el foton que no tiene masa y por
consiguiente viaja a la velocidad de la luz. Pero no es as con la iteraccion fuerte entre
neutrones, los cuales tienen como mediadores a los mesones que tienen masa y que
viajan a velocidades menores que las de la luz y cuyo rango de interaccion es s
olo a
muy cortas distancias (Nash y Sen, 1983).
1 1 0
641. Ejercicio Halle A2000 si A = 0 1 1 . Ayuda: descomponga a A como
0 0 1
una diagonal D mas una nilpotente N y calcule N 3 . Luego aplique a (D + N )2000 el
desarrollo del binomio.
12.6.
Ejercicios de repaso
12.7.
Resumen
12.8.
313
i ) Los vectores propios de una matriz A son los mismos que los de la matriz
AT .
j ) El conjunto
de puntos
(x, y) en el plano para los cuales la matriz
x y 1
A = 1 2 1 es singular (que esta sola, que no tiene inversa) des3 3 1
criben una recta con pendiente m = 12 .
k ) Si la proyeccion del vector ~b sobre el subespacio W es ~b mismo, entonces ~b
es ortogonal a todo vector en W .
l ) Todo subespacio no trivial de Rn posee una base ortonormal.
m) Toda matriz ortogonal tiene espacio nulo {0}.
x
2. Sea H = y : x = t, y = t, z = 2t; t R :
z
a) Halle H el complemento ortogonal de H en R3 .
314
2 R3 , halle
1
R , y sea ~a =
c) Sea H =gen(b), donde b =
3
1
ProyH ~a.
d ) Con referencia al inciso anterior, escriba el vector ~a como aH + aH .
3. Encuentre la transformacion lineal T : R3 R3 que refleja un vector ~v R3 sobre
el plano x y + z = 0.
2/7
3/ 3 .
4. Escriba la tercera columna de la matriz 3/7 2/ 13 . para que sea una
6/7
0 .
matriz ortogonal.
5. Encontrar una matriz C invertible talque
0
ortogonal de la matriz simetrica A = 1
1
D
1
2
1
=
C 1 AC es una diagonalizacion
1
1 .
0
7. Use el metodo de los mnimos cuadrados para encontrar la lnea recta que mejor
aproxima los datos: (1, 1), (10, 8), (14, 12), (16, 20).
8. Encontrar la matriz de cambio de coordenadas de la base B a la base B , donde
V = P3 , B = {x3 + x2 + 1, 2x3 x2 + x + 1, x3 x + 1, x2 + x + 1} y
B = {x3 , x2 , x, }.
9. Sea T : W W donde W =gen({ex , xex }) y T es la transformacion derivada,
B = {ex , xex } y B = {2xex , 3ex }. Encontrar las matrices de representacion RB ,
RB y la matriz C tal que RB = C 1 RB C.
CAPITULO
13
RESPUESTAS
Captulo 1
14. x = 1, y = 1
17. a) x = 1, y = 1
b) x = 54/11, y = 19/11
c) x = 3, y = 2
18. 1.000 y 1.000.
23. a)
!
..
3 4 . 5
.
0 0 .. 0
..
1 0 . 5
0 1 ... 0
..
0 0 . 1
Captulo 2
57. b) ~u + ~v = (9, 3)
d) 4~u + 2~v = (4, 16)
2~u + 3w
~ = (2, 0)
3w
~ + 5~v = (29, 27)
~v = (7, 3),
w
~ = (2, 6), w
~ = (2, 4)
60. a) (-6,30)
b) (10, 24)
c) (41, 3)
72 d. Cinco barcos pueden usarse como sigue: pongalos en las esquinas de un
pentagono regular, que debe ser lo suficientemente grande como para que los barcos
puedan ocultarse unos de otros debido a
116. (3 26(5, 1)
121. Son paralelas.
141. a) y = (4/3)(x 2) + 3
b) y = 9(x 2) 4
c) y = (2/3)(x + 2) + 3
d) x = 1
e) y = 2
142. a) y = 2(x 2) + 3
b) y = 5(x 2) 4
c) y = 5(x + 2) + 3
315
316
d) y = 6(x 1) 3
e) y = 2
143. a) y = 2x + 1
b) y = 3x 1
c) x = 0
d) y = x 3
e) y = 8
144. a) y = (11/2)x 8
b) y = x 3
c) y = 2x + 4
d) y = 3
e) y = (1/4)x 2
155. a) y = 3x/2 + 5/2
b) y = 3x/2 + 31/2
c) y = 3x/2 + 5/2
d) y = 3x/2 + 12
e) y = 3x/2 + 15/2
163. a)
(1.6, 0.8)
167.a) 2
b) 10/5
c) Dos puntos sobre una lnea: (0, 3)
y (1, 0). Por lo tanto, el vector director
es (1, 3). El segmento de
(2, 3) a (0, 3) es
(2, 6) cuya norma es 40. Proyectamos
el vector (2, 6) sobre (1, 3) para
pobtener
(8/5, 24/5), cuya norma es 640/25.
Formamos un triangulo rectangulo y aplicamos Pitagoras para encontrar la distancia 3.79.
181. a + b se cruzan en (2, 1/3).
c + e : son paralelas.
a + d : las dos lneas son la misma: un
grado de libertad.
b + d se cruzan en (8, 5/3).
183. Racion diaria: 100/11.2 de papas
y 100/43.8 de pollo.
187. (1, 0, 0), (0, 1, 0), (1, 0, 0), (1, 0, 0),
(0, 1, 0), (0, 0, 1).
191. a) x + 1) + 5(z + 3) = 0
b) 3x + 2(y + 2) + 7(z + 3) = 0
c) 6(x + 1) + 3(y + 4) + 8(z + 3) = 0
193. a) 3(x + 1) = 0
b) 2x + 16(y 1) 16(z 3) = 0
c) 4(x 1) 4(z 1) = 0
d) Los puntos pertenecen al eje X: hay
demasiados planos y un grado de libertad.
317
vector director de la lnea es (11,-7/10,1)
y ella pasa por (1,-17/10,0).
231. b) Tenemos 2 lneas paralelas en
R2 , y dos planos paralelos en R3 . Las dos
lneas (y los dos planos) casi coinciden.
Pero su interseccion es vaca. Pero en un
mundo donde predomine la incertidumbre,
ellos pareceran iguales.
232. Tenemos u incognitas restringidas
por i ecuaciones: nos quedamos con u i
grados de libertad: u = i + f.
233. Tenemos 4 puntos, podemos tomar
un polinomio de tercer grado, con 4 coeficientes a determinar. De esa forma obtenemos un sistema 4 4. El polinomio es:
2075 155,5x + 4,25x2 + 0,11x3 .
Captulo 3
240. a) 1, b)-1, c)-1, d) 1
279. f) Los vectores son coplanares.
274. LI: a, c, g, i, j. Los vectores representan especies diferentes.
287. Sub-EV : b, c.
305. 4; n + 1
320. a) Tres planos que se intersecan en
un u
nico punto: (5/6, 1/3, 1/6).
b) Un punto, (46/10, 12/5, 1)
c) Tres planos que son como las hojas
de un libro. Un grado de libertad.
d) Todas las expresiones representan el
mismo plano: hay dos grados de libertad.
22
11
16 14
c)
CA =
29 13
11 0
CB =
8 28
1
8
ABC =
18
25
100 27
d)
Captulo 5
e)
331. a)
[T ] =
8 1
2
3
Captulo 6
379. a) Solucion u
nica, x = 17/2
b) y = x = 0.
c) Sistema inconsistente.
d) la solucion es la lnea 2x + 3y = 0
318
388. El Kernel esta generado por
(1, 1/3), mientras que la imagen esta generada por (1, 2). No son perpendiculares
mutuamente, pero para matrices simetricas eso siempre funciona. La imagen es generada por (1, 2). La imagen es igual al Kernel. Entonces M 2 = 0.
b) DetM = 0, La imagen es generada
por (1, 4), el Kernel por (1, 1).
c) DetM = 0, la imagen es generada
por {(1, 2, 1), (4, 1, 3)}, el Kernel por
(18/7, 1/7, 1).
d) detM = 0, la imagen es generada
por
(1, 2, 3),
el
Kernel
por
{(5/2, 0, 1), (2, 1, 0)}.
1 1 0
0
1 0
0
0 1
408. a)
7 4
2 1
b)
1
4
4 1
1
4
4 1
(1/30)
c)
(1/3)
cos
sen
sen
cos
...
0
...
1
...
0 1
d)
2
1
...
..
..
..
. 7
4
..
. 2
1
...
..
..
..
. 7
4
..
.
2 1
..
.
..
.
1
0
2 1
..
..
... ... ...
.
1 4 .. 7
4
..
0
1 .
2 1
..
.
..
.
cos
sen
0
1
...
... ...
..
..
1
0 ..
cos
sen
..
sen
1 . sen cos cos2
...
... ...
..
..
1
0 ..
cos
sen
..
0 1/ cos .
sen
cos
416. a) detM = 0
b)
3
6 0
1/3 2 2 1
6 3 0
c)
5
0 0
1/5 9 1 2
27 1 3
d)
...
Captulo 7
400. Ejecute la operacion sobre la identidad. El resultado, en el caso 3 3, es:
..
.
..
.
d)
2 1 0
1 3 1 0
1 3 1
319
447. a)
Captulo 8
434. a)
1
2
1 1
16
;
5
1 3
1 4
23
;
26
2 1
2 5
3
;
39
5/3
8
3
0 2
0
1/3 5/3 5/3
b)
4/7
3/7
1/7 1/7
13/7
;
9/7
5/12 1/12
1/6 1/6
;
c)
1 7/18
0
5/9
589/60
11/3
;
;
35/6
7/3
441. a)
1/2 25/12
0
7/6
448.
c)
1/4
3/2
52/7
3
;
;
1/7
0
b)
b)
1/7 11/7
2/7 1/7
452. a) B1 = B2 IBB21
b) B2 = B1 IBB12
455. Una rotacion no cambia vol
umenes:
su determinante es 1.
496. a) El Kernel es la lnea y = x/2
y la imagen es la lnea ortogonal y = 2x.
500. a) verdadero: toda rotacion conserva el producto punto, pues conserva normas y angulos.
b) La siguiente matriz no es una rotacion,
es una reflexion pero tambien conserva el
producto punto:
1
0
0 1
504. La matriz asociada a la hiperbola
x y 2 = 1 es
1
0
= MNN
M=
0 1
2
3/2 1
2/2 2/2
B=
5/2
0
2/2
2/2
.
442. a) {(5, 2), (1, 3)}
Po tanto,
b) {(1, 1), (2, 5)}
B1
B
446. IB2 = IBN2 IN 1 = (B2 )1 B1 . Por lo
0 1/2
B
B1
MB =
tanto, para encontrar IB2 uno empieza au1/2
0
mentando B2 del lado derecho con B1 . La
reduccion produce la matriz solicitada.
cuya respectiva ecuacion es xy = 1.
320
Captulo 9
507. a)
TNN
1 3/7
17/7 9/7
b)
TNN =
1 1/5
0 3/5
R=
c)
TNN
7/38
41/38
29/19 26/19
512. a)
TNB
6 10
5
1
3 0
0 4
519.
Captulo 10
N
N
526. c) RB
= (I)N
B (R)N significa que
si uno sabe la matriz de una T L dada con
respecto a la base natural en ambos lados,
entonces para obtener la matriz de la T L
con respecto a la base natural en el dominio y a B en el codominio, uno necesita
un traductor a la izquierda que cambie de
coordenadas de N a B.
528. a) T (x, y) = (5x/7 + y/7, x/7 +
10y/7)
b) T (x, y) = (y, 16x/7 5y/7)
c) T (x, y) = (5x/4+3y/4, x/4+11y/4)
530. a)
3 5
N
TN =
4
4
N
RN
B N
INB RB
IB
0 1
1
0
1/4
0
0
0
E = 0 1/9
0
0 1/16
1
0
0
0 4/3 2/3
0 1/3 5/3
b)
0
1 1
2/3 2/3 4/3
1/3 2/3 4/3
321
c)
1
0
0
0
1/3 4/3
0 2/3 1/3
1 1
2
B = 0 1 3
1 0
1
que x = i eP
i . Entonces
P
3
1
1
M N (x) =
i i i ei =
i i i ei =
2/3 5/3
8/3
N M (x).
1/3
4/3 1/3
602. a) Formadiagonal
D(2, 3 2). base
propia: {(2,1 2),
(1 2, 2)}
558. D(a, b, ..., c)D(e, f, ..., g) =
b) D( 26, 3 26
D(ae, bf, ..., cg) =
c) D(5, 7). Base propia: {(1, 1), (1, 1)}
D(e, f, ..., g)D(a, b, ..., c)
d) D(5, 0). Base propia: {(1/2, 1), (2, 1)}
570. a) No invertible, dim Ker= 1, dim
e) D(2, 0), Base propia {(1, 1), (1, 1)}
Imagen= 1
606. Las matrices diagonales y las conicas
573. Eigen pares: (0, (1, 1/3)), (10, (1/3, 1))
est
a
n dadas por:
575. En R3 todas las rotaciones tienen
a)D(2, 3), una elipse
un eje de rotacion, por lo que en esa dib)D(1, 3), una hiperbole
reccion no hay transformacion y el valor
c)(1, 1), una hiperbole
propio correspondiente es 1.
d) (1, 5), (elipse).
585. a)
e) (1, 3), (elipse).
f) Los productos son conmutativos.
1/2
3/2
N
DN
=
614. a) Si x2 + y 2 z 2 = 0 entonces
3/2 1/2
x2 + y 2 = z 2 . Esto significa que tenemos
586. El u
nico valor propio de todas las un crculo cuyo radio aumenta con z. La
matrices es 1, pero no hay suficientes vec- figura es simetrica con respecto al eje Z.
tores propios para formar una base.
Para ver la silueta, tomamos la traza de la
587. Una matriz siempre tiene suficientes figura con el plano XZ, i.e. cuando y = 0.
valores propios, pero le pueden faltar vec- Obtenemos x2 = z 2 o x = y. Lo mismo
tores propios, y por eso muchas matrices pasa con x = 0. Por tanto, tenemos un
no son diagonalizables.
cono.
594. a) 1, 1, 3.
b) Cono.
b) 1, 2,
3.
c) Hiperboloide de dos mantos.
c) 1, 2, 2.
d) Hiperboloide de un manto.
d)2, 1/4, 1/3
e) Hiperboloide de dos mantos.
e) 2, 1/4, 1/3
Captulo 12
595.
617. La base ortonormal propia es la
Todas las matrices tienen la misma base
misma para todos los casos:
propia:
d)
322
1/ 2 1/3
1/6
B = 0 1/3 2/6
1/ 2
1/ 3 1/ 6
jas.
jas.
618. a) x2 + y 2 /4 + z 2 /9 = 1
b) x2 + y 2 /4 + z 2 /9 = 1
c) x2 4y 2 + 9z 2 = 1
d) Mal definido.
e) x2 4y 2 z 2 /9 = 1
619. a)
(
x 1)2 + 3(x 1)(z 3) (z 3)2 = 1
621. a) x = x 1 y z = z + 2
624. a) Maximo
b) Maximo
c) Mnimo
d) Silla
e) Silla
f) Silla
g) Maximo
h) No se sabe
i) No se sabe
BIBLIOGRAFIA
[1] Altshuller G (2000) The innovation algorithm: TRIZ, systematic innovation and
technical creativity. Translated, edited and annotated by Lev Shulyak and Steven
Rodman. Technical Innovation Center, Inc., Worcester, MA.
[2] Boylestad R, L Nashelsky (1994) Electr
onica de circuitos. Prentice Hall, Mexico.
[3] Beauchamp J W (Editor) (2007) Analysis, synthesis, and perception of musical
sounds. Springer, NY.
[4] Burden R, Faires D (1985) An
alisis numerico. Grupo Editorial Iberoamerica.
Mexico.
[5] Feynman R (1998) Seis piezas faciles: la fsica explicada por un genio. Introduccion de Paul Davies. Traduccion castellana de Javier Garca Sanz. Barcelona.
[6] Fisher R (1970) An introduction to linear algebra. Dickenson Publishing.
[7] Jobson J D (1991) Applied Multivariate Data Analysis. Springer, NY.
[8] Lang S (2002) Algebra. Springer-Verlag, NY.
[9] Gran Enciclopedia Larousse (1983), Editorial Planeta, Barcelona.
[10] Hans F, Martin A (1984) Quarks and leptons: an introductory course in modern
particle physics. John Wiley and Sons. NY.
[11] Mechanics. Berkeley Physics Course-Vol 1. McGraw-Hill Book Company, NY.
[12] Nash C, S Sen (1983) Topology and the geometry of physics. AP.
[13] J Hanan (1989) Lindenmayer systems, fractals, and plants. Springer en NY en
1989.
[14] Primas Hans (1983) Chemistry, quantum mechanics and reductionism. Springer.
Berlin.
323
324
BIBLIOGRAFIA
[15] Rodrguez
Jose
(2008)
Electromagnetismo
y
geometra.
http://arxiv.org/abs/0806.1492 Citado el 20 de noviembre del 2009.
[16] Snakefly (2009) How to date a fossil. http://snakefly.tripod.com/Date.html Citado el 20 de noviembre del 2009.
[17] Steward J (2003) Calculus and early transcendentals, 5e. Thomson.
[18] Wikipedia (2009) Talidomida, http://es.wikipedia.org/wiki/Talidomida Citado
el 20 de noviembre del 2009.
[19] Yosida K (1978) Functional analysis. Springer-Verlag. Berlin.
[20] Zill Dennis G (2007) Ecuaciones diferenciales con aplicaciones de modelado. Traduccion Francisco Sanchez Fragoso, 8a ed. International Thomson Editores, Mexico.
[21] Zill Dennis G, M Cullen (2008) Matematicas avanzadas para ingeniera. Traduccion Emilio Sordo Zabay, 3a ed. McGrawHill. Mexico.
[22] Zwiebach B (2004) A first course in string theory. Cambridge University Press.
INDICE ALFABETICO
algoritmo
de Gauss-Jordan, 17, 31
apachurra, 174
apachurrado, 110
apachurramiento, 174
autovalores, 287
balance
regla del, 7
base, 128
cambio de, 209
canonica, 129
natural, 129, 207
ortogonal , 218
ortonormal , 218
propia, eigen, 275
base propia, 274
cabeza, 34
circunferencia, 50
codominio, 144
cofactor, 195
cola, 34
combinacion
lineal, 120
ecuacion, 5
ecuaciones
parametricas, 84
simetricas, 84
ejes principales, 302
Teorema de los , 283
Elcano, 42
angulo recto, 47
`angulo recto, 67
eigen-espacio, 271
eigen-problema, 272
eigen-valor, 270
eigen-vector, 270
protenas , 74
vector
de momento angular, 98
325
326
elemento neutro, 36
elipse, 50
equivalentes
sistemas, 6
escalar, 34
espacio
digital, 44, 45, 52
tridimensional, 32
vectorial, 39
espacio columna, 185
espacio digital, 45, 57
espacio imagen, 179
espacio nulo, 179
estaciones, 98
fila, 22
fractales, 185
gl
ucidos, 74
grupo, 36
hiperplano, 113
identidad, 5
iluminacion, 41
imagen de una matriz, 180
inverso, 36
isomorfos, 45, 52
Kernel, 179
lnea, 60, 63, 65, 82, 83
dualidad, 89
lneas
paralelas, 66
perpendiculares, 67
lineales
sistemas, 14
Magallanes, 42
magnificacion, 271
marco, 207
matrices, 15
similares, 271
Matriz
de cambio de coordenadas, 209
matriz
antisimetrica, 223
INDICE ALFABETICO
INDICE ALFABETICO
paralelogramo, 35
patron, 289
pendiente, 61
plano, 77, 134
cartesiano, 32
plano complejo, 216
polinomio
caracterstico, 277
polinomio caracterstico, 277
precesion, 303
producto
cruz, 113
punto, 52
producto cruz, 80
producto de matrices, 251
producto interno o interior, 56
producto interno, interior, escalar o punto,
51
producto vectorial, 80
proyeccion, 68
pulso, 44
punto critco
inestable, 307
punto crtico, 304
estable, 307
rango, 178, 179
rectangulo, 35
recta, 71
ecuacion estandar, 62
ecuaciones parametricas, 83
recta real, 31
regla de oro, 12
regresion, 289
renglon, 22
Resolver un sistema de ecuaciones, 6
resonancia, 278
reverso, 38, 41
segmento, 34
dirigido, 34
seno, 52
sistema
dinamico discreto, 310
homogeneo, 162, 180
inconsistente, 7
lineal, 308
327
no homogeneo, 162, 180
sistema de ecuaciones, 5
sistema lineal, 6
solucion, 5, 6
general, 180
particular, 75, 180
solucion espuria, 8
solucion particular, 162
solucion qumica, 21
ssi (si y solo si), 82
subespacio, 126
submatrices, 194
sumar sin problema, 36
sumar y alargar sin problema, 39
T es apachurrante o que apachurra, 171
tension arterial, 41
tensor de inercia, 302
teora
de cuerdas, 33
Teorema
de las dimensiones, 179
teorema
cosenos, 53
del apachurramiento, 176
Pitagoras, 48
Tierra plana, 41
tracto intestinal, 33
transformacion lineal, 146
transpuesta, 194
traslacion, 72
traslaciones, 299
triangulos
semejantes, 58
TRIZ, 87, 152
vector director, 65
vectores, 33
paralelos, 56
perpendiculares, 55